CC BY
18
Семенюта О.Г.,
д.э.н., профессор, зав. кафедрой банковского дела, РГЭУ (РИНХ) г. Ростов-на-Дону, Россия E-mail: ogsmail1@mail.ru Дубинина И.В.,
аспирант кафедры банковского дела РГЭУ (РИНХ)
E-mail: irkabezd94@yandex.ru г. Ростов-на-Дону, Россия Дегтярев А. С., к.э.н., менеджер управления планирования и отчетности, Юго-Западного банка ПАО «Сбербанк» г. Ростов-на-Дону, Россия E-mail: degtyarev.as@yandex.ru
СОВЕРШЕНСТВОВАНИЕ ИНСТРУМЕНТАРИЯ ИДЕНТИФИКАЦИИ КЛЮЧЕВЫХ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ФАКТОРОВ ВЛИЯНИЯ НА РЫНОК ИПОТЕЧНОГО ЖИЛИЩНОГО КРЕДИТОВАНИЯ РОССИИ
JEL classification: G21, G28
Аннотация
Актуальность. Социальные факторы ипотечного жилищного кредита не являются статичными. Основываясь на потребностях каждого его представителя, социальные характеристики непрерывно изменяются одновременно с прогрессом системы ценностей человека. В этих условиях постоянно остаются открытыми вопросы, связанные, с одной стороны, с повышением эффективности реализации социальной функции ИЖК и, с другой, с оценкой востребованности ипотечных кредитов и достаточности соответствующих продуктов, предлагаемых коммерческими банками в каждый конкретный исторический период.
Цель. В работе поставлена цель предложить инструментарий, позволяющий прогнозировать особенности влияния факторов социальной направленности на рынок ипотечных жилищных кредитов с
учетом региональных особенностей экономической территории.
Материалы и методы. Необходимость регионального подхода к созданию инструментов регулирования рынка ИЖК обусловлена тем, что отдельный участник отношений - физическое лицо - подвержено иррациональности поведения из-за незнания альтернатив выбора и поведения. Исходя из условной рациональности поведения человека и наличия региональных различий возникает необходимость разработки модели для каждого отдельного региона. Кроме того, этот тезис накладывает ряд ограничений, в частности, на использование только методов оптимизации или систем поддержки принятия решений. С другой стороны, этот подход является основой для формирования модели с использованием отдельно таких инструментов, как регрессионные модели, в том числе логистические, метод опорных векторов, экстремальное повышение градиента (XGBoost) и др.
Использование только одного метода выбора значимых описательных переменных имеет высокую вероятность ошибки. Для снижения этой вероятности применялся стек методов с последующим усреднением результатов. Метрикой оценки является количество вхождений выбранного показателя, поскольку необходимо точно определить список значимых переменных без их количественной оценки.
Результаты. Предложен инструмент определения ключевых факторов прямого и косвенного влияния на рынок ипотечных жилищных кредитов и построена модель оценки степени значимости факторов влияния на количество выдаваемых ипотечных жилищных кредитов в разрезе двух федеральных округов РФ, позволяющая участникам рынка определять основные зоны влияния для максимизации эффективности предпринимаемых мер. Открытость информации обеспечивает возможность воспроизводимости эксперимента и расчетов, а ежегодное обновление статистических данных позволяет актуализировать выводы.
Практические последствия. Предложенная модель может быть использована органами государственного управления для создания эффективных мер решения социальных проблем в части обеспечения населения доступным и комфортным жильем. Коммерческим банкам предложенная модель предоставляет возможность создания достоверной картины спроса на рынке ипотечных жилищных кредитов, что позволит повысить эффективность реализации кредитной политики банка в данном регионе.
Проведенные ранее исследования не охватывают в полном объеме сущность и характеристики социальной функции банковского ипотечного кредитования, в т.ч. с позиции повышения качества жизни населения при соблюдении интересов коммерческих банков, страховых компаний, застройщиков и государственных структур.
Ключевые слова: ипотечный жилищный кредит, социальная функция ипотечного жилищного кредита, социальные факторы рынка ипотечных кредитов.
O.G. Semenyuta, I.V. Dubinina, A.S. Degtyarev
IMPROVEMENT OF TOOLS TO IDENTIFY KEY SOCIO-ECONOMIC FACTORS OF INFLUENCE ON THE MARKET OF HOUSING MORTGAGE LENDING IN RUSSIA
Annotation
The social factors of mortgage loans are not static. Based on the needs of each of its representatives, social characteristics are constantly changing along with the progress of the human value system. Under these conditions, questions remain constantly open, related, on the one hand, to increasing the efficiency of the implementation of the social function of HMLs and, on the other hand, assessing the demand for mortgage loans and the sufficiency of the corresponding products offered by commercial banks in each specific historical period.
The aim of the paper is to offer a toolkit that allows predicting the peculiarities of the influence of social factors on the market of
mortgage housing loans, taking into account the regional characteristics of the economic territory.
The need for a regional approach to the creation of tools for regulating the HML market is due to the fact that an individual participant in relations - an individual is subject to irrationality of behavior due to ignorance of alternatives of choice and behavior. Based on the conditional rationality of human behavior and the presence of regional differences, it becomes necessary to develop a model for each individual region. In addition, this thesis imposes a number of restrictions, in particular, on the use of only optimization methods or decision support systems. On the other hand, this approach is the basis for model generation using separate tools such as regression models, including logistic, support vector machine, extreme gradient boosting (XGBoost), etc. The use of only one methodfor selecting significant descriptive variables has a high probability of error. To reduce this probability, a stack of methods was used, followed by averaging the results. The evaluation metric is the number of occurrences of the selected indicator, since it is necessary to accurately determine the list of significant variables without quantifying them.
A tool is proposed to determine the key factors of direct and indirect influence on the market of mortgage housing loans and a model is built to assess the degree of significance of factors influencing the number of issued mortgage housing loans in the context of two Federal Districts of the Russian Federation, which allows market participants to determine the main areas of influence to maximize the effectiveness of the measures taken. The openness of information ensures the reproducibility of the experiment and calculations, and the annual update of statistical data allows updating the conclusions.
The proposed model can be used by government bodies to create effective measures to solve social problems in terms ofproviding the population with affordable and comfortable housing. For commercial banks, the proposed model provides an opportunity to create a reliable picture of demand in the mortgage housing loans market, which will improve the efficiency of the implementation of the bank's
credit policy in the region. Previous studies do not fully cover the essence and characteristics of the social function of bank mortgage lending, incl. from the standpoint of improving the quality of life of the population while respecting the interests of commercial banks, insurance companies, developers and government agencies.
Keywords Mortgage housing loan, socialfunction of a mortgage loan, socialfactors of the mortgage market.
Введение/актуальность
Развитие рынка ИЖК является важнейшим элементом обеспечения социальной составляющей устойчивого развития экономики страны и фактором обеспечения социальной стабильности. Социально-жилой комплекс как метафункция синтезирует реализацию комплекса классических функций кредита и проявляется в стимулировании как достижения социальных целей государства, так и удовлетворения потребностей индивидов в собственном жилье. В современном научном сообществе и среди практиков интерес к перспективам развития ипотечного кредитования в нашей стране не только не падает, но и возрастает. Предметом острых дискуссий являются методы, инструменты, алгоритмы и приоритеты действий участников рынка жилой недвижимости. Этому способствует как усиление давления внешних факторов экономических циклов, например, включение в их круг последствий пандемии COVID-19, так и динамично меняющаяся социально-экономическая ситуация в стране. Так, с переходом к использованию эскроу-счетов при ипотечном жилищном кредитовании значительно перекроился рынок объектов жилой недвижимости, с одной стороны, и изменились элементы банковских бизнес-процессов, с другой. В этих условиях значительно возросла потребность в создании инструментов долгосрочного прогнозирования процессов, связанных с ипотечным жилищным кредитованием.
При регулировании процессов жилищного ипотечного кредитования необходимо учитывать и то, что на его рынок в Российской Федерации влияют не только
экономические, но и социальные факторы. Несомненно, развитие ипотечного жилищного кредита является одним из условий повышения степени доступности жилья, улучшения материального положения граждан и увеличения степени обеспеченности населения жильем.
Значимость социальной функции ИЖК для всех категорий населения и важнейшая роль органов государственной власти в ее реализации подтверждается результатами исследований не только отечественных, но и иностранных ученых, таких как Bryx M., Sobieraj J., Metelski D., Rudzka I. [8], Horvatova E. [10], Ganbarov F., Smol^g K., Muradov R., Aghayeva K., Jafarova R., Mammadov Y. [11], Yang Q., Xu Q., Lu Y., Liu J. [12]
В связи с этим становится очевидной значимость разработки высокоэффективных инструментов, используемых как государственными органами управления для решения социальных проблем, так и коммерческими банками в организации ипотечного кредитования. При построении инструментария управления процессами развития ипотечного жилищного кредита в нашей стране также необходимо учитывать особенности экономического развития отдельных экономических территорий, поскольку они имеют существенные экономические и социальные особенности.
Материалы и методы
Официальные данные органов государственной статистики России в целом позволяют обеспечить сопоставимость и достоверность информации, а также методологическую прозрачность социально-экономических показателей. Вместе с тем существующие статистические данные не всегда позволяют однозначно определить количество домохозяйств, владеющих недвижимостью. Очень часто невозможно решить проблему поиска конкретного владельца жилой недвижимостью. Например, родители владеют несколькими квартирами, одну из которых занимает сын или дочь, которые являются собственниками, но не имеют права в соответствии с действующим законодательством.
Необходимо также учитывать, что каждый отдельный человек или домохозяйство как потребитель товара или услуги не всегда действует исходя из абсолютной рациональности, необходимости и полезности. Более того, экономическое поведение индивидуума не всегда реализует доступные возможности использования всех альтернатив рынка по незнанию. Это вызывает необходимость максимизировать количество социальных и экономических характеристик такого поведения. При этом региональные особенности экономики и социальной ситуации оказывают непосредственное влияние на жителей и могут отличаться друг от друга. Но в пределах одной территории они условно постоянны в силу инерционности культурных и социальных предпочтений.
Следует отметить, что в силу сложности ипотечного жилищного кредитования как явления и процесса, а также многофакторного влияния на принятие людьми решения о покупке недвижимости и взятии ипотечного жилищного кредита нельзя полагаться только на экспертное заключение при определении факторов влияния. В связи с этим в модели использовались максимально доступные данные в открытых источниках по социально-экономическим показателям в разрезе каждого субъекта Российской Федерации.
Открытость информации обеспечивает возможность воспроизводимости эксперимента и расчетов, а ежегодное обновление статистических данных позволяет актуализировать выводы. Для формирования исходного массива данных использовались данные за 2012-2020 гг., а недостающие значения заполнялись средними значениями. Данный подход необходим для построения модели и в то же время не оказывает существенного влияния и не искажает результаты. Степень значимости этих показателей для количества выпущенных ИЖК определялась с использованием трех различных методик. Эти методы реализованы с использованием Python и библиотек Scikit-learn, а для подготовки и предварительной обработки данных использована библиотека Pandas [7].
На первом этапе проводилась оценка значимости признаков (расчет метрики значимости f) по отношению к целевому показателю «количество выданных ИЖК» в соответствии с дисперсионным анализом ANOVA. Использование дисперсионного анализа основано на необходимости проведения множественных попарных сравнений, а критерий стьюдента для этих целей не подходит, так как у нас больше двух групп.
Для анализа результатов экспериментальных исследований был использован дисперсионный анализ, созданный Рональдом Фишером. Суть этого метода заключается в определении соотношения межгрупповой и внутригрупповой дисперсии анализируемых данных. Показатель изменчивости представляет собой сумму квадратов отклонений параметра от среднего значения, рассчитанных отдельно для внутригруппо-вых и межгрупповых наборов данных: SSt = SSb+SSw = S(Xij - Xg)2
Затем на основе F-распределения мы рассчитали P-value, которое было выполнено за исключением признаков с p-value выше 0,05. Остальные функции ранжируются от минимального p-value.
На втором этапе вычислялась степень значимости описательных характеристик на основе взаимной информационной регрессии [5]. Идея состоит в том, что прирост информации (обычно используемый при построении деревьев решений) применяется для выполнения выбора признаков. Взаимная информация рассчитывается между двумя переменными и измеряется как уменьшение неопределенности для одной переменной при известном значении другой переменной. Взаимная информация принимает значение 0, когда случайные величины независимы, а когда значение увеличивается, связь увеличивается. Расчетная функция основана на оценке энтропии по расстояниям k-ближайших соседей.
По сравнению с классическим корреляционным анализом при использовании взаимной информационной регрессии существует вероятность увеличения количества признаков, оцениваемых как релевант-
ные, что может быть связано со статистическим шумом в исходном кадре данных. Эта особенность учитывается установкой ограничения количества выбранных переменных. Выбираются только четыре переменные с максимальным значением.
На третьем этапе отбор значимых признаков происходил на основе рекурсивного исключения признаков [6]. Роль оценщика определялась логистической регрессией. После обучения оценщика на основе сгенерированного исходного набора данных осуществлялось рекурсивное рассмотрение последовательно меньшего набора признаков и отсечение до достижения целевого значения. В целях сопоставимости и единообразия целевое количество переменных составляло четыре.
Как видно из результатов, представленных в таблице, в число важнейших вошли следующие факторы:
1. Фактическое конечное потребление на душу населения - руб. в месяц на человека.
2. Среднедушевой доход - рассчитывается с использованием значения макроэкономического показателя среднедушевых денежных доходов населения, определяемого в соответствии с Методическими положениями расчета показателей денежных доходов и расходов населения (Рос-стат) (Приказ № 465 от 02.07.2014 с изменениями от 20.11.2018).
3. Средняя заработная плата - в заработную плату не включаются следующие выплаты: вознаграждение по результатам работы за год, за выслугу лет, выплачиваемое один раз в год, единовременные премии и поощрения, в том числе стоимость подарков, материальная помощь на отпуск
Результаты
Использование этих инструментов позволило получить набор из 12 наиболее значимых влияющих переменных для каждого субъекта Российской Федерации. Затем подсчитывалось количество вхождений по всем регионам каждого федерального округа и проводилось ранжирование. Учитывая ограниченный объем журнальной статьи, в качестве иллюстрации мы применили предложенный метод исследования к анализу двух федеральных округов: Центрального федерального округа (ЦФО) и Южного федерального округа (ЮФО).
Сравнение результатов выявило, что в топ-5 важнейших факторов влияния в двух федеральных округах вошли следующие (табл. 1).
и другие выплаты, носящие разовый характер, независимо от того, были они предоставлены отдельным работникам или всем работникам.
Эти факторы отражают состояние платежеспособного спроса потребителей жилищных ипотечных кредитов (ИЖК) и являются общими для анализируемых территорий. Полученные результаты подтвердила логика принятия решения коммерческими банками о выдаче ИЖК на основе анализа уровня доходов физического лица, обратившегося за кредитом. Следует отметить, что в Центральном федеральном округе региональный прожиточный минимум был включен в перечень факторов, что свидетельствует о необходимости его пересмотра в данном регионе в индивидуальном порядке, исходя из возможностей бюджетов и цели развития рынка ИЖК.
Важно отметить, что современные федеральные округа имеют свои особенности.
Таблица 1 - Топ-5 важнейших факторов влияния
№ п/п Фактор / федеральный округ ЮФО ЦФО
1 Фактическое конечное потребление на душу населения + +
2 Средний доход на душу населения + +
3 Средняя заработная плата + +
4 ВРП на душу населения +
5 Оценка гражданами исполнительной власти +
6 Региональный прожиточный минимум +
7 Сложность получения разрешения на строительство +
Так, в перечень ключевых факторов влияния для Южного федерального округа входят следующие (рис. 1):
1. ВРП на душу населения до 2004 г. и после 2004 г. - номинальное значение (население) х дефлятор ВВП ^ 12.
2. Оценка гражданами исполнительной власти - процент граждан, положительно
оценивающих деятельность региональной исполнительной власти по данным ФСО.
Эти факторы свидетельствуют о наличии потенциала повышения эффективности региональной экономики на данной территории и необходимости проведения дополнительной коммуникационной политики между исполнительной властью и населением.
Рисунок 1 - Топ-5 наиболее распространенных факторов в Южном федеральном округе
Для Южного федерального округа характерны не только различия в условиях и видах экономической деятельности населения (от районов Черноземья до высокогорных районов и курортов Северного Кавказа), но и различия в национальном быте (из-за многонационального населения жителей этого района). Ключевым фактором является «оценка гражданами органов исполнительной власти» наряду с фактором
«ВРП на душу населения». Это позволяет утверждать, что стабильность рынка ИЖК на данной территории может быть обеспечена при оптимальной коммуникационной политике исполнительной власти по отношению к поведению населения.
Для сравнения проанализируем факторы влияния в Центральном федеральном округе (рис. 2).
0 5 10 15
Рисунок 2 - Топ-5 наиболее распространенных факторов в Центральном федеральном округе
Для региона ЦФО ключевым фактором является «сложность получения разрешения на строительство». Содержание данного фактора связано с рядом процедур с
момента обращения хозяйствующего субъекта в организацию, выдающую разрешение организациям в сфере строительства на выполнение проектно-изыскательских (в
том числе геодезических) работ и так далее до дня получение разрешения на начало строительных работ. Значимость этого фактора определяется значением данного региона в экономической структуре страны и высокими масштабами строительства, прежде всего жилищного.
В целом необходимо еще раз подчеркнуть, что масштабы России определяют как экономические, так и социальные различия жителей территорий, достаточно стабильных в долгосрочной перспективе. Это отражено в модели и позволяет выявить региональные особенности, сдерживающие дальнейший рост рынка жилищного ипотечного кредита.
Заключение
Проведенное исследование позволяет обосновать вывод о необходимости совместных действий государства и коммерческих банков по развитию рынка жилищного ипотечного кредитования, которые должны не только основываться на общероссийских тенденциях, но и учитывать особенности каждого региона отдельно. Предлагаемый инструмент определяет наиболее значимые факторы, влияющие на увеличение количества выдаваемых ипотечных жилищных кредитов в том или ином регионе, и позволяет государственным структурам разрабатывать новые и корректировать существующие меры поддержки населения при обращении за ипотечным кредитованием. Коммерческие банки, в свою очередь, получают инструменты для улучшения и адаптации экономических и качественных параметров банковских ипотечных продуктов.
В целом такой подход позволяет формировать стратегии и планы развития регионов с учетом реализации социальных целей экономической адаптации и интересов банков в увеличении количества ипотечных жилищных кредитов в условиях ограниченности ресурсов. При этом разработанный инструмент является самообучающимся и может быть использован коммерческими банками и органами государственной законодательной и исполнительной власти в дальнейшем при появлении новых данных или необходимости проведения кластерного анализа по выбранному критерию.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Бахтизин А.Р. Использование CGE-моделей для оценки эффективности управленческих решений // Управление в социально-экономических системах, Control and Science. №5. 2008. С. 36-42
2. Макаров В.Л., Бахтизин А.Р., Бах-тизина Н.В. CGE модель социально-экономической системы России со встроенными нейронными сетями // М.: ЦЭМИ РАН, 2005.
3. Свиридов А.С., Гоголева Т.Н., Тре-щевский Ю.И. Экономический анализ социальных функций бизнеса // Экономический анализ: теория и практика.. №29 (2015) с. 2-13.
4. Черняховская Л.Р., Низамутди-нов М.М., Орешников В.В., Атнабаева А.Р. Подход к организации поддержки принятия решений при разработке стратегий инновационного развития регионов с применением адаптивно-имитационной модели // Бизнес-информатика. 2019. Т. 13. № 3. С. 20-34. DOI: 10.17323/19980663.2019.3.20.34
5. Официальная документация библиотеки Scikit-learn https://scikit-learn.org/stable/modules/generated/skl earn. fe ature_selection.mutual_info_regression.html
6. Официальная документация библиотеки Scikit-learn https://scikit-learn.org/stable/modules/generated/skl earn. fe ature_selection.RFE.html
7. Официальная документация библиотеки Pandas https://pan-das.pydata.org/pandas-docs/stable/pandas.pdf
8. Bryx M., Sobieraj J., Metelski D., Rudzka I. Buying vs. Renting a Home in View of Young Adults in Poland. Land 2021, 10, 1183. https://doi.org/10.3390/ land10111183
9. Baek I., Lee S., Lee J., Kim J. Analysis of Housing Market Dynamics Considering the Structural Characteristics of Mortgage Interest. Sustainability 2021, 13, 10523. https:// doi.org/10.3390/su131910523
10. Horvatova E. Twenty Years of Mortgage Banking in Slovakia. Int. J. Financial Stud. 2020, 8, 56. https://doi.org/10.3390/ijfs8030056
11. Ganbarov F., Smol^g K., Mura-dov R., Aghayeva K., Jafarova R., Mamma-dov Y. Sustainable Development of the Mortgage Market in Azerbaijan: Commercial Risks of Housing Construction, Social Vision, and State Influence. Sustainability 2020, 12, 5116. https://doi.org/10.3390/su12125116
12. Yang Q., Xu Q., Lu Y., Liu J. The Impact of Public Health Insurance on Household Credit Availability in Rural China: Evidence from NRCMS. Int. J. Environ. Res. Public Health 2020, 17, 6595. https://doi.org/10.3390/ijerph17186595
BIBLIOGRAPHIC LIST
1. Bakhtizin A.R. Using CGE-models to assess the effectiveness of management decisions / A.R. Bakhtizin // Management in socioeconomic systems, Control and Science №5 -2008, P. 36-42
2. Makarov, V.L. CGE model of socioeconomic system of Russia with embedded neural networks. / V.L. Makarov, A.R. Bakhtizin, N.V. Bakhtizina // M.: CEMI RAS, 2005.
3. Sviridov A.S., Gogoleva T.N., Treschevsky Y.I. Economic Analysis: Theory and Practice. - №29 (2015) c. 2-13
4. Chernyakhovskaya L.R., Nizamutdi-nov M.M., Oreshnikov V.V., Atnabaeva A.R. Approach to the organization of decision support in designing strategies for innovation development of regions using adaptive-simulation model. 2019. T. 13. № 3. C. 20-34. DOI: 10.17323/1998-0663.2019.3.20.34
5. Official documentation of the Scikit-learn library https://scikit-learn.org/sta-ble/modules/generated/sklearn.feature_selec-tion.mutual_info_regression.html
6. Official documentation of the Scikit-learn library https://scikit-learn.org/sta-ble/modules/generated/sklearn.feature_selec-tion.RFE.html
7. Official documentation of Pandas library https://pandas.pydata.org/pandas-docs/stable/pandas.pdf
8. Bryx, M.; Sobieraj, J.; Metelski, D.; Rudzka, I. Buying vs. Renting a Home in View of Young Adults in Poland. Land 2021, 10, 1183. https://doi.org/10.3390/ land10111183.
9. Baek, I.; Lee, S.; Lee, J.; Kim, J. Analysis of Housing Market Dynamics Considering the Structural Characteristics of Mortgage Interest. Sustainability 2021, 13, 10523. https:// doi.org/10.3390/su131910523
10. Horvatova, E. Twenty years of Mortgage Banking in Slovakia. Int. J. Financial Stud. 2020, 8, 56. https://doi.org/10.3390/ijfs8030056
11. Ganbarov, F.; Smol^g, K.; Mura-dov, R.; Aghayeva, K.; Jafarova, R.; Mamma-dov, Y. Sustainable Development of the Mortgage Market in Azerbaijan: Commercial Risks of Housing Construction, Social Vision, and State Influence. Sustainability 2020, 12, 5116. https://doi.org/10.3390/su12125116
12. Yang, Q.; Xu, Q.; Lu, Y.; Liu, J. The Impact of Public Health Insurance on Household Credit Availability in Rural China: Evidence from NRCMS. Int. J. Environ. Res. Public Health 2020, 17, 6595. https://doi.org/10.3390/ijerph17186595.
