CC BY
32
БАНКОВСКОЕ ДЕЛО Столбовская Н.Н.,
к.э.н., доцент кафедры «Банковское дело», Ростовский государственный экономический университет (РИНХ) г. Ростов-на-Дону, Россия E-mail: bankdelo. rsue @mail. ru
СОВРЕМЕННЫЕ ТЕНДЕНЦИИ ИПОТЕЧНОГО ЖИЛИЩНОГО КРЕДИТОВАНИЯ И ИХ ОЦЕНКА
ПРИ ПОМОЩИ МЕТОДА РЕГРЕССИОННОГО АНАЛИЗА
JEL classification: C49, G21, G24
Аннотация
Степень доступности жилой недвижимости для населения остается на очень низком уровне, если рассматривать варианты приобретения исключительно за счет собственных средств и накоплений. Объективно российская ипотечная система существенно уступает аналогичным в развитых странах по уровню накопленного опыта и степени влияния на экономику. Соответственно, нельзя говорить об устойчивости ее развития, и остается актуальным вопрос подверженности отечественного ипотечного рынка различным факторам - как внутристра-новым, так и международным.
В работе проведено исследование современных особенностей развития и разработка путей совершенствования ипотечного жилищного кредитования на основе количественной оценки динамики объемов ИЖК и моделирования их зависимости от иных экономических факторов при помощи метода регрессионного анализа.
В результате анализа обосновывается вывод, что характер и направление взаимосвязи между динамикой количества выданных рублевых ипотечных жилищных кредитов и факторными переменными динамики средней процентной ставки по ипотечному кредитованию, реальных располагаемых денежных доходов населения позволит осуществлять системный мо-
ниторинг волатильности объемов выдаваемой ипотеки, прогнозировать вероятные изменения объемов кредитования в кратко- и среднесрочной перспективе на основании построенной регрессионной модели, а также применять полученные результаты в качестве дополнительного обоснования принимаемых монетарными властями решений, влияющих на показатели ипотечной сферы. На основе анализа отдельным аспектом выделены объемы ввода жилых площадей в расчете на 1000 человек населения в федеральном округе как индикатор потенциального спроса на жилую недвижимость и, следовательно, на ипотечные жилищные кредиты. Доказано, что в случае превышения удельных объемов ввода жилых площадей в федеральном округе над среднероссийским уровнем ожидаемая динамика количества выданных ипотечных жилищных кредитов в таком федеральном округе будет выше, чем в обратной ситуации.
Ключевые слова: кредитование, банки, ипотека, эффективность кредитования, реальный сектор экономики, регрессионный анализ.
N.N. Stolbovskaya
CURRENT TRENDS IN RESIDENTIAL
MORTGAGE LENDING AND ASSESSMENT OF THEIR IMPACT ON THE ECONOMY OF THE METHOD
OF REGRESSION ANALYSIS
The degree of accessibility of residential real estate for the population remains at a very low level, if we consider options for purchasing exclusively at the expense of their own funds and savings. Objectively, the Russian mortgage system is significantly inferior to its counterparts in developed countries in terms of the level of accumulated experience and the degree of influence on the economy. Accordingly, it is impossible to talk about the sustainability of its development, and the issue of exposure of the domestic mortgage market to various factors, both domestic and international, remains relevant.
In this paper, we study the current features of development and develop ways to improve housing mortgage lending based on a quantitative assessment of the dynamics of HPLC volumes and modeling their dependence on other economic factors using the method of regression analysis.
In the analysis it is concluded that the nature and direction of the relationship between the dynamics of the number of issued ruble-denominated mortgage loans and factor variables the dynamics of average interest rates on mortgage lending, real disposable cash incomes of the population that will allow for systematic monitoring of the volatility of volumes of issued mortgages, to predict likely changes in lending in the short- based on the built regression model, and also apply the results obtained as an additional justification for decisions made by the monetary authorities that affect the indicators of the mortgage sector. Based on the analysis, a separate aspect is allocated to the volume of commissioning of residential areas per 1000 population in the Federal district as an indicator of potential demand for residential real estate and, consequently, for residential mortgage loans. It has been proved that if the specific volume of residential space commissioning in the Federal district exceeds the national average, the expected dynamics of the number of issued housing mortgage loans in such a Federal district will be higher than in the reverse situation.
Keywords: loans, banks, mortgage, efficiency of crediting of real sector, regression analysis.
Введение
Ипотечное жилищное кредитование является важной составной частью экономического и социального развития экономики. Развитие ипотечного кредитования способно оказывать положительное воздействие на реальный сектор экономики посредством стимулирования спроса на недвижимость, что опосредует потребность в расширении продукции ряда промышленных отраслей, а также стимулирует спрос на множество коммерческих операций и услуг. Одновременно с этим развитие ипотечного жилищного кредитова-
ния выступает в качестве инструмента снижения социальной нестабильности в обществе. Учитывая достаточную регулярность кризисных циклов в российской экономике, поддержание развития сферы ипотечного жилищного кредитования и недопущение снижения ее экономической роли становятся важнейшей задачей экономических и монетарных властей.
В то же время цикличность развития российской экономики обусловлена в том числе волатильностью международной экономической, геополитической ситуации, конъюнктурой мирового финансового рынка и рынка энергоносителей. Множество комбинаций значений данных международных факторов порождает значительное количество рисков и путей развития российской экономики, а значит, и системы ипотечного кредитования. Следовательно, вопрос привлечения ипотечного кредита для приобретения жилой недвижимости становится актуальной проблемой не только для физических лиц - потенциальных заемщиков, но и в масштабе национальной экономики. Анализ существующих тенденций отечественного ипотечного рынка и выявление количественных взаимосвязей позволят сформировать мнение относительно перспектив дальнейшего совершенствования конъюнктуры российской ипотечной системы.
По данным Банка России, по состоянию на 01.01.2020 г. задолженность по ипотечному жилищному кредитованию (ИЖК) составила 7 470 183 млн руб., а годовой темп ее прироста - 17,1% [1], что свидетельствует об уровне развития и популярности ипотечного жилищного кредитования в России. Особенности развития ипотечного жилищного кредитования в России, с одной стороны, обусловлена особенностями макроэкономической динамики, так как является одной из подсистем национальной экономики, а с другой, динамика ипотечного рынка сама по себе является индикатором экономического развития и должна обладать способностью воздействия на темпы экономического развития страны.
Современная ипотечная система кредитования в российских условиях продолжает активно развиваться, однако на ее динамику существенное влияние оказывает уровень странового риска и волатиль-ность банковской системы в целом. Несмотря на наименее рискованный характер ипотечного кредитования в сравнении с остальными видами кредитов ввиду характера залога темпы роста объемов ипотеки существенно замедлились во время кризиса конца 2014-2015 гг. [2] Это было вызвано в первую очередь именно макроэкономическими условиями снижения доходов населения и общего уровня спроса на ипотечные кредиты.
На наш взгляд, большое значение имеет то, какому воздействию подвержена динамика ипотечного жилищного кредитования. В данной связи возникает необходимость отражения динамики ИЖК в количественном показателе. В статистике Банка России, как мы описывали ранее, представлены данные о количестве и денежных объемах ИЖК. Для анализа динамики кредитования полагаем целесообразным использовать именно количественные характеристики ИЖК, так как денежные объемы зависят от изменения цен на рынке жилой недвижимости, и следовательно, увеличение денежных объемов не обязательно свидетельствует об увеличении спроса на кредиты. В то же время под анализом динамики кредитования будем понимать динамику выданных кредитов по их количеству как индикатор реализации спроса на кредиты со стороны заемщиков.
Материалы и методы
В рамках задачи исследования воздействия факторов на динамику ИЖК предполагаем использование инструментов регрессионного моделирования [3], для которого необходима формализованная база данных, отвечающая требованиям единства интервала времени, территориального охвата и сопоставимости единиц измерения переменных.
Задачей исследования выступает выявление степени влияния факторных переменных (независимых) Х{ на динамику результирующей (зависимой) переменной У.
Объектом наблюдения в нашем случае выступает совокупность федеральных округов России, а также ряд индикаторов изменения данной совокупности, то есть переменных Х{ и У, в их динамике.
Таким образом, исходные данные характеризуются следующими параметрами:
• территориальное распределение объектов наблюдения (анализ статистических данных в разрезе федеральных округов);
• наличие нескольких показателей, при этом по каждому из федеральных округов присутствует свое значение показателя;
• значения показателей для каждого федерального округа изменяются во времени.
Описанная структура присуща панельному типу данных, для работы с которым применяются специализированные модели регрессии. Панельные данные характеризуются одновременным распределением как по пространству, так и по динамике во времени. Территориальная совокупность объектов исследования включает в себя 8 федеральных округов России.
Зависимой переменной (У) в количественном анализе выступают данные о количестве предоставленных ипотечных жилищных кредитов. В статистике Банка России представлены данные за период, начиная с итогов 2008 г. При этом в процессе построения регрессионных моделей мы остановили выбор на темпах роста количества предоставленных ИЖК. В то же время на основе эмпирического анализа, а также с учетом вышеназванных критериев сопоставимости данных, их территориального охвата и единиц измерения нами были выбраны следующие независимые (факторные) переменные (табл. 1).
Все показатели, относящиеся к кредитам в таблице, приведены применительно к сегменту рублевого кредитования. Количество ИЖК в иностранной валюте в рамках количественного анализа не рассматривалось ввиду их чрезвычайно малого удельного веса и отсутствия влияния на общую сумму и динамику ИЖК.
Таблица 1 - Набор переменных для проведения исследования _с применением регрессионных моделей_
Тип переменной Обозначение Наименование показателя Ед. измерения
Результирующая (зависимая) D_credit Количество ИЖК, выданных в текущем году нарастающим итогом с начала года Темп роста к аналогичному периоду предыдущего года
Факторная D_interest Средневзвешенная % ставка по выданным с начала года ипотечным жилищным кредитам Темп роста к аналогичному периоду предыдущего года
Факторная D_revenue Реальная начисленная заработная плата Темп роста к аналогичному периоду предыдущего года
Факторная d_1 Фиктивная переменная, означающая принадлежность федерального округа к категории Фиктивная переменная
Факторная d2014 d2015 d2016 d2017 d2018 Фиктивные dummy-переменные, отражающие объективную динамику математического ожидания переменной динамики количества ИЖК относительно первого года из периода наблюдения (2013) Фиктивные переменные
Источник: рассчитана по данным Банка России
Значения исходных данных по переменным рассчитаны по значениям показателей: «динамика количества выданных рублевых ипотечных жилищных кредитов», «динамика реальных располагаемых денежных доходов населения», «динамика средней процентной ставки по рублевым ипотечным жилищным кредитам» и др., приведенным в официальных данных Банка России и Федеральной службы государственной статистики и не вошли в статью, в связи с громоздким объемом.
В условиях имеющихся статистических данных мы располагаем информацией о динамике реальных доходов населения, начиная с 2013 г. [4] В то же время статистика Банка России располагает однотипными сведениями за период 2009-2019 гг. В условиях, когда исследуемая совокупность включает в себя 8 федеральных округов, период наблюдения даже с 2013 г. позволяет обеспечить достаточное количество наблюдений для регрессионного моделирования.
Введение фиктивных (dummy) переменных обусловлено стремлением к повышению статистического качества выстраиваемых моделей. Их использование позволит разграничить анализируемые феде-
ральные округа, так как их совокупность в любом случае является неоднородной, и некоторые значения результирующей переменной (количества выданных ИЖК) могут отличаться в динамике от остальных.
Переменная d_1 принимает значение 1 в случае, когда федеральный округ характеризуется более высокими показателями ввода жилья в расчете на 1000 человек населения, чем Россия в целом. В противном случае переменная принимает значение 0. Выбор показателя ввода жилья обусловлен, во-первых, тем, что объемы ввода иллюстрируют динамику предложения на рынке жилья и включают в себя, помимо индивидуального жилищного строительства, также данные о вводе многоквартирного жилья, то есть объемы потенциальных сделок купли-продажи, в том числе с привлечением ипотечных кредитов. Во-вторых, объемы ввода жилья присутствуют практически во всех программах социально-экономического развития регионов и, следовательно, имеют достаточно релевантную базу ожидаемых в будущем значений на основании официальных прогнозов. Исходные данные для присвоения переменной d_1 значения 1 или 0 представлены в таблице 2.
Таблица 2 - Динамика объемов ввода жилых площадей в расчете на 1000 человек населения, 2013-2018 гг., кв. м в год
Год / фед. округ 2013 2014 2015 2016 2017 2018 Сумма 20132018, кв. м Соотн. ФО с РФ D_1: 1 - больше РФ 0 - меньше РФ
РФ 491 576 583 547 540 515 3 252 -
ЦФО 523 631 655 612 619 596 3 636 1.12 1
СЗФО 464 606 653 639 644 678 3 684 1.13 1
ЮФО 553 659 639 547 585 551 3 534 1.09 1
СКФО 433 521 516 516 519 361 2 866 0.88 0
ПФО 513 567 569 545 529 517 3 240 1.00 0
УФО 538 651 647 518 510 483 3 347 1.03 1
СФО 414 460 485 448 380 387 2 574 0.79 0
Дфо 348 393 358 354 320 277 2 050 0.63 0
Составлена автором по данным: Введено в действие общей площади жилых домов на 1000 человек населения [Электронный ресурс] / ЕМИСС. - Режим доступа: https://fedstat.ru/indicator/33574 (дата обращения 15.12.2019).
Данные, представленные в таблице 2, позволяют классифицировать федеральные округа в зависимости от суммарного объема ввода жилья в расчете на 1000 человек населения в период, совпадающий с периодом остальных переменных регрессионного моделирования, - 2013-2018 гг. На данной основе мы видим, что СевероКавказский, Приволжский, Сибирский и Дальневосточный федеральные округа в указанный период характеризовались менее высокими объемами ввода жилья, чем в среднем по России на 100 человек населения. В остальных федеральных округах данный показатель превышал среднероссийский. Это формирует, на наш взгляд, важную предпосылку для анализа, а именно: чем выше объемы ввода жилья, тем более высокая потенциальная емкость рынка жилой недвижимости в данном федеральном округе. Учитывая, что спрос на рынке недвижимости во многом обусловлен именно наличием возможности ипотечного кредитования, повышенные объемы ввода жилья могут свидетельствовать о более высоких темпах прироста количества выдаваемых ипотечных жилищных кредитов на данной основе.
Рассматривая варианты эконометри-ческого моделирования применительно к панельным данным, можем отметить построение соответствующих уравнений в
программном пакете Stata. В целом можно выделить следующие группы регрессионных моделей [6]: модель с фиксированными эффектами (within); модель between; модель со случайными эффектами.
Исходные данные имеют панельную структуру, соответственно, в качестве переменной, характеризующей время, выступают кварталы - с I кв. 2013 по IV кв. 2018, а в качестве переменной пространства - федеральные округа РФ в количестве 8 единиц, состав которых не менялся на протяжении рассматриваемого периода. Итого 6 лет * 4 квартала/год * 8 федеральных округов = 192 наблюдения.
Результат расчета модели с фиксированными эффектами приведен на рисунке 1. Фиксированность эффектов означает то, что модель воспринимает группиро-вочный признак (федеральные округа РФ) как совокупность обособленных факторов, при этом каждый федеральный округ в рамках такой модели рассматривается как сформировавшаяся система, имеющая собственные постоянные отличия от других федеральных округов. По этой причине переменная d_1 не может быть включена в состав модели (на нижеприведенном рисунке помечена как исключенная -omitted). Рассчитанное выше количество наблюдений в размере 192 ед. отмечено на рисунке в правом верхнем углу.
Fixed-effects (within) regression Group variable: kod_okruga
R-sq:
within = О.9068 between - 0.2192 overall = 0.8998
corr(u_i, xb) = 0.0061
Number of obs Number of groups
obs per group: min avg max
F(7,177) Prob > F
192 8
24 24.0 24
246.09 0.0000
d_credit coef. std. Err. t P>|t| [95% Conf. Interval]
d interest -1.38869 .2019909 -6. 88 0.000 -1.78731 -.9900691
d revenue 1.282709 .4990851 7. 57 O.Oll .2977855 2.267632
d2014 8.165695 3. 055149 2. 67 0.008 2.13649 14.1949
d2015 -15.39797 7.345076 -2. 10 O. 037 -29.89316 -.9027754
d2016 6. 856586 4.975193 1. 38 0.170 -2.961743 16.67492
d2017 -19.45153 4.306754 -4. 52 0.000 -27.95072 -10.95234
d201B 7. 545722 4.261768 1 77 0.078 -.8646946 15.95614
d_l (omitted)
_cons 124.7177 61.04756 2. 04 0.043 4.242977 245.1925
si gma_u si gma_e rho 2.6542081 8.8163932 .08310158 (fraction of variance due to u_i)
Prob > F = 0.4712
F test that all u_i=0: F(7, 177) = 0.95
Рисунок 1 - Оценка регрессии с фиксированными эффектами (within) (составлен автором с использованием программы Stata)
Качество полученной модели регрессии характеризуется следующими ее параметрами:
• высокое значение F-критерия Фишера, равное 246,09, с практически нулевой вероятностью ошибки (Prob > F = 0.0000 в верхней правой части рисунка) позволяет судить о том, что значение коэффициента детерминации в модели является достаточно объективным;
• достаточно высокие значения t-статистики при переменных, позволяющие принять их на уровне значимости P >| 11. Лишь некоторые переменные времени превышают уровень значимости в 5%, при этом только одна (d2016) находится на уровне значимости выше 10%. Уровень значимости остальных переменных абсолютно допустим в рамках общего эконо-
метрического анализа, так как не превышает даже 5%;
• построенная модель тем не менее характеризуется с негативной стороны отсутствием нормального распределения случайных эффектов: F test that all u_i = 0 не выполняется, так как уровень значимости составляет 0,4712, что существенно больше 5% или 10%;
• невозможность включения в состав модели переменной классификации федеральных округов (d_1) ввиду особенностей алгоритма модели с фиксированными эффектами.
Помимо построенной модели с фиксированными эффектами, существует модель вида between. Результаты оценивания регрессии between приведены на нижеследующем рисунке 2.
Between regression [regression on group means) Group variable: kod_okruga
R-sq:
within between о vera! 1
O. 7729 0.7099 O. 7714
sd(u_i + avg(e_i.))= 2.093021
Number of obs Number of groups
obs per group:
F(3,4) РГОЬ > F
■П П
avg
192 8
24 24.0 24
3.26 0.1415
d_credit Coef. std. Err. t P>|t| [95% Conf. Interval ]
d interest -2.709276 4.148314 -0.65 0. 549 -14.22684 8. 80829
d_revenue 2. 550719 1. 564005 1.63 0.178 -1.791654 6. 893092
d2014 (omitted)
d2015 (omitted)
d2016 (omitted)
d2Q17 (omitted)
d201B (omitted)
d_l 3.878385 1.49224 2.60 0. 060 -.2647377 8. 021507
_cons 119.9347 475. 5458 0.25 0.813 -1200. 392 1440. 261
Рисунок 2 - Оценка параметров регрессии between (составлен автором с использованием программы Stata)
Как видно из рисунка, регрессия between уступает регрессии с фиксированными эффектами (within) с позиции эко-нометрического качества: параметр коэффициента детерминации R-sq для within немного, но выше, чем для between, при этом основным аргументом против модели between выступает отсутствие значимости коэффициента детерминации по F-критерию (уровень значимости для него составляет 14,15%). В состав регрессии between нет возможности включить переменные годовой динамики количества выданных ИЖК (d2014-d2018) ввиду особен-
ностей математического построения данной модели. Но ранее, в процессе описания модели с фиксированными эффектами within, мы могли включить указанные переменные и сделали это. Тем не менее ранее параметр коэффициента детерминации для модели с фиксированными эффектами был также на более высоком уровне, чем для модели between (0,9068 и 0,2192 соответственно).
Построим далее третью модель, со случайными эффектами, включив в нее переменные как динамики по годам, так и ти-пологизации федеральных округов (рис. 3).
Random-effects GLS regression Group variable: kod_okruga
R-sq: within = 0.9068 between = 0.6595 overall = 0.9043
Random effects u_i corr (u_i, x)
Gaussian
0 (assumed)
Number of obs = 192
Number of groups - 8
obs per group: min = 24
avg - 24.0
max = 24
wal d Chi 2(8) = 1741.65
Prob > chi2 = 0.0000
d_credit Coef. std. Err. z P>|z| [95% Conf. Interval]
d_i nterest -1.380714 .2007963 -6.88 0.000 -1.774267 -.9871599
d_revenue 1.424423 .4721955 3.02 0.003 . 4989365 2. 349909
d2014 8.592148 3.004651 2.86 0.004 2.703141 14. 48115
d2Q15 -13.42806 7.000995 -1.92 0.055 -27.14975 .2936417
d2D16 7. 835207 4.82859 1.62 0.105 -1.628656 17.29907
d2017 -18.8884 4.238001 -4.46 0.000 -27.19473 -10.58207
d201E 7.290279 4.240348 1.72 0.086 -1.02065 15. 60121
d_l 3.70945 1.476432 2. 51 0.012 .8156966 6.603203
_cons 107.1158 58.21767 1.84 0.066 -6.988726 221.2204
si gma_u 1.0686619
sigma_e 8.8163932
rho . 01447986 (fraction of variance due to U_i)
Рисунок 3 - Оценка параметров регрессии со случайными эффектами (составлен автором с использованием программы Stata)
Как видно по данным рисунка, модель со случайными эффектами в целом схожа по коэффициентам при переменных с моделью within. При этом модель характеризуется статистической значимостью в целом по F-критерию, а также по показателям t-статистики при коэффициентах.
С позиций экономики модель с фиксированными эффектами ближе к реальности: коэффициенты модели формируются с учетом наличия заранее определенных особенностей исследуемых территориаль-
ных групп (1 группа = 1 федеральный округ). В дополнение к этому показатели эконометрического качества для модели с фиксированными эффектами также выше, чем для модели between. Однако есть один недостаток: невозможность выделить влияние фактора объемов ввода жилья в федеральном округе (dummy-переменная d_1).
Охарактеризуем кратко наше мнение относительно построенных моделей в следующей таблице 3.
Таблица 3 - Сводная характеристика регрессионных моделей
Модель с фиксированными эффектами (within) Модель between Модель со случайными эффектами
Преимущества 1) Максимальная логическая обоснованность с учетом общего смысла объектов наблюдения (федеральных округов с фиксированными сформировавшимися институциональными отличиями) 2) Показатель R-squared выше, чем для регрессии between 1) Включение dummy-переменной объемов ввода жилья 1) Возможность одновременного включения как переменных динамики по годам, так и переменной ти-пологизации федеральных округов по объемам ввода жилья
Недостатки 1) Невозможность включения переменной типологи-зации федеральных округов по объемам ввода жилья (d_1) 1) Меньший коэффициент детерминации в сравнении с within 2) Невозможность включения переменных динамики по годам (d2014-d2018) 1) Меньшая степень логической обоснованности случайных эффектов для специфики исследуемой совокупности федеральных округов
Источник: составлена автором.
Учитывая вышеизложенное, можем отметить, что каждое из уравнений, несмотря на высокий уровень статистической значимости модели в целом, обладает недостатками, которые требуют компромисса. Таким компромиссом может выступать модель, построенная при помощи алгоритма Хаусмана, с разделением объясняющих переменных на эндогенные и экзогенные. К эндогенным переменным от-
носятся переменные динамики величины У (темпы роста количества выданных ИЖК) в зависимости от года ^2014-d2018). К переменным экзогенного характера относится переменная типологизации федеральных округов по объемам вводимого жилья ^_1).
Построим модель с использованием алгоритма Хаусмана, результаты которой отражены на рисунке 4.
Hausman-Tayl or estimation Group variable: kod_oteruga
Random effects u_i
l. l.d.
Number of obs Number of groups
obs per group: min avg max
wald chi2(8) Prob > chi2
192 8
24 24 24
1728. 66 O. OOOO
d_credit coef. std. Err. z P>|z| [95% corrf. Interval ]
"rvexogenous
d_i nterest -1. 378414 . 20CL5367 -6 84 O. ООО -1.773419 -.9834097
d_r evenue 1.467864 .4662833 3. 15 О 002 .5539651 2.381762
"rvendogenous
d2014 8.721877 3. 005712 2 90 О 004 2.83079 14. 61296
d2015 -12.8228 6. 931212 -1. 85 О 064 -26.40772 .7621277
d2016 8.13334 4. 809623 1. 69 О 091 -1.293348 17. 56003
d2017 -18.71794 4.24021 -4. 41 О ООО -27.0286 -lO.40728
d201B 7.209297 4.257211 1. 69 О 090 -1.134684 15. 55328
TIexogenous
d_l 3.713838 1. 275604 2 91 О 004 1.2137 6.213977
_cons 102. 300.7 57.63577 1. 77 О 076 -lO. 66239 215. 2657
si gn«a_u si gn«a_e rho О 8.647064 О (f r acti on of variance due to u_i)
Note: TV refers to time varying; TI refers to time invariant.
Рисунок 4 - Оценка параметров регрессии по алгоритму Хаусмана (составлен автором с использованием программы Stata)
Применение алгоритма Хаусмана позволило совместить преимущества ранее использовавшихся моделей, в том числе:
• обеспечить высокий уровень статистической значимости модели в целом на основе статистики Уальда с наблюдаемым значением 1728,66 с практически нулевой вероятностью ошибки, а также тем, что случайные остатки модели являются независимыми и одинаково распределенными (random effects i.i.d);
• включить в модель все dummy-переменные, призванные повысить качество проведенных расчетов;
• получить высокие значения z-статистики (аналог ^статистики Стьюдента в модели Хаусмана) для всех переменных.
В результате моделирования было установлено, что темпы роста количества выданных ипотечных жилищных кредитов зависят от динамики процентной ставки и располагаемых доходов населения с высокой степенью значимости (табл. 4).
Таблица 4 - Интерпретация регрессионной модели, основанной на алгоритме Хаусмана
Переменная Коэффициент при переменной Интерпретация
Средневзвешенная % ставка по выданным с начала года ипотечным жилищным кредитам, на конец периода - темп роста относительно аналогичного периода прошлого года -1,378414 Воздействие отрицательно направленное: при изменении темпов роста процентной ставки на 1 п.п. темп роста количества выданных кредитов изменяется в противоположном направлении с высокой эластичностью
Реальная начисленная заработная плата в процентах к соответствующему периоду предыдущего года 1,467864 Воздействие сонаправленное: при изменении темпов роста реальной начисленной заработной платы на 1 п.п. темп роста количества выданных кредитов сонаправленно изменяется с высокой эластичностью
Источник: составлена автором.
Результаты
В рамках построенной нами ранее регрессионной модели, основанной на алгоритме Хаусмана, можно содействовать определению целевых количественных ориентиров динамики ипотечного жилищного кредитования при соблюдении определенных условий. В модели в качестве факторных переменных фигурируют два показателя динамики: процентная ставка по кредитам и реальные денежные доходы населения. Оба данных показателя характеризуются наличием сценариев развития.
Использование в процессе анализа совокупности данных по федеральным округам РФ позволило обеспечить максимальный территориальный охват исследования, а также ввести переменную объемов ввода жилья для каждого федерального округа.
Рассмотренная фиктивная переменная группировки федеральных округов имеет коэффициент, равный 3,713838. Это означает, что при значении переменной, равному единице, то есть когда федеральный округ характеризуется в целом более высокими объемами ввода жилья в расчете на 1000 человек населения, ожидаемые темпы роста количества выданных ипотечных жилищных кредитов в нем превышают аналогичный показатель по федеральным округам с показателями ввода жилья меньше общероссийского на 3,7 п.п.
Переменные объективной динамики зависимой переменной ^2014^2018) позволяют выделить данный фактор в отдельную составляющую и более точно оценить коэффициенты при остальных переменных.
Обсуждение
Общее состояние рынка жилья в России достаточно точно охарактеризовано в
исследовании О.Б. Бугрова [7], в котором приводятся данные о среднем количестве кв. м жилья на 1 человека в России (23 кв. м) в сравнении с аналогичным показателем по Европе (40-60 кв. м) и США (более 70 кв. м). Менее 10% населения, жилищные условия которых требуют улучшения, получают достаточный доход, позволяющий приобрести жилье, не прибегая к кредитным средствам [8]. В основном население получает средний доход, недостаточный для приобретения полноценного жилья. Изменения доходов населения зависят от множества факторов, как макроэкономического, так и личного характера [9, 10].
Результаты анализа показали, что современный рынок ипотечного жилищного кредитования демонстрировал темпы роста объемов начиная с 2017 года на фоне снижения ключевой ставки Банка России и активизации банков в направлении расширения собственного ипотечного кредитного портфеля [11]. Подобная ситуация с некоторых позиций ассоциируется с формированием т.н. «ипотечного пузыря» в российской экономике. Сторонники подобной позиции придерживаются мнения, в соответствии с которым достаточно активный рост объемов ипотеки способен привести к возникновению кризисных явлений в экономике. Истоки такой позиции относятся к ситуации ипотечного кризиса в американской экономике 2006-2008 гг., когда вола-тильность на ипотечном рынке и резкое падение цен на недвижимость привели к возникновению общеэкономического кризиса. Безусловно, рынок жилой недвижимости характеризуется цикличностью развития, которая приводит к временным промежуткам подъемов, рецессии и спадов. В то же время процесс, обозначаемый как «жилищный (или ипотечный) пузырь», характеризуется существенным возрастанием средних цен сделок с жилой недвижимостью на протяжении относительно небольшого промежутка времени (от полугода до нескольких лет) и последующим резким снижением цен на рынке на протяжении отрезка времени, существенно меньшего, чем период их подъема. Следовательно, понятие пузыря целесообразно
отнести в первую очередь к рынку жилой недвижимости, в то время как финансовые инструменты поддержки играют опосредующую роль. Описанный процесс изменения цен на рынке, как правило, является следствием спекулятивных действий его участников.
Современная экономика характеризуется достаточно широким спектром ценовых факторов, помимо фундаментальных. К последним мы относим следующие:
• соотношение объемов спроса и предложения на рынке жилья;
• динамика демографической ситуации, результатом которой является изменения количества проживающих в регионе как источника спроса на жилую недвижимость;
• изменение реальных располагаемых доходов населения, которое зависит не только от валовых доходов, но и от изменения уровня постоянных (необходимых) затрат граждан;
• качественный признак, отражающий потребность в дополнительных жилых площадях или улучшении жилищных условий на отдельно взятой территории (регионе) в сравнении с другими аналогичными территориями.
Помимо перечисленных фундаментальных факторов, ценообразование на рынке жилья может существенно зависеть от ожиданий будущего изменения цены и инвестиционной составляющей в спросе [12, 13, 14, 15, 16, 17]. Именно в этом случае существует риск возникновения процессов, именуемых «ипотечными (жилищными) пузырями». Следовательно, подобный процесс может быть идентифицирован на основе анализа поведенческих аспектов участников рынка, в первую очередь продавцов, покупателей и посредников, при непосредственном заключении сделок купли-продажи. В данном случае также определенным индикатором «перегрева» жилищного рынка будет выступать информационно-медийная составляющая относительно перспектив дальнейшего роста рынка жилья, которая должна в таком случае активно освещаться в СМИ.
Заключение
Как было показано выше, средний уровень обеспеченности жильем в нашей стране достаточно низкий, одновременно с этим присутствует фактор существенной степени изношенности больше части жилищного фонда, а также сопутствующей инфраструктуры, как инженерного, так и социального плана. Сочетание таких факторов создает предпосылки для поддержания потенциального спроса на жилую недвижимость в достаточно длительной перспективе. Однако для трансформации потенциального спроса в реальный необходим достаточно высокий уровень платежеспособности населения - потенциальных покупателей жилой недвижимости. В российских реалиях фактические доходы остаются на низком уровне без предпосылок их существенного возрастания в перспективе. Следовательно, трансформация потенциального спроса в сторону реальных сделок с жилой недвижимостью будет на протяжении длительного времени обеспечиваться преимущественно за счет инструментов ипотечного жилищного кредитования. Следовательно, роль ипотечного жилищного кредитования практически полностью состоит в стимулировании реального спроса ввиду нехватки изначальной платежеспособности населения.
Обратная сторона такой конъюнктуры заключается в том, что рынок недвижимости находится в определенной зависимости именно от ипотечного рынка. В случае возникновения кризисных явлений, способных повлиять на объемы выдачи ипотечных кредитов, это практически незамедлительно скажется на объемах потребительского спроса на рынке жилья. В настоящее время существенного роста средней цены на рынке жилья в России не наблюдается, в отличие, например, от периода 2002-2006 гг., что впоследствии обернулось резким ее падением на фоне кризиса 2008 г. Однако даже в том случае рынок жилья упал на фоне общеэкономического кризиса российской и мировой экономики. В современных реалиях российского рынка жилой недвижимости инвестиционная составляющая находится на
невысоком уровне, а текущий уровень цен возрастает достаточно монотонно, без резких увеличений темпов роста. Для российской системы ипотечного кредитования не характерны признаки, аналогичные американской системе, которые в итоге привели ее к масштабному кризису, связанному с чрезмерными темпами роста объемов операций на вторичном рынке ценных бумаг. Поэтому признаков возникновения «ипотечного пузыря» в настоящее время не наблюдается.
В то же время негативной тенденцией выступает то, что сложившийся уровень цен ориентирован в первую очередь на поддержание текущего уровня реального спроса с учетом ипотечного кредитования, без прямой ориентации на его расширение. В случае возникновения каких-либо затруднений с ипотекой спрос на рынке жилья однозначно снизится, однако это является результатом действия фундаментальных факторов, а не ценовых ожиданий, как в случае с «ипотечными пузырями». Российский рынок ипотечного жилищного кредитования, несмотря на ряд объективных трудностей, вызванных макроэкономическими факторами, продолжает развиваться и играть роль инструмента решения жилищных проблем.
БИБЛИОГРАФИЧЕСКИЙСПИСОК
1. Ипотечное жилищное кредитование - Режим доступа: https://cbr.ru/statistics/pdko/Mortgage/ML/ (дата обращения 20.02.2020).
2. Столбовская Н.Н., Цушко П.Э. Перспективы развития рынка жилья и ипотечного жилищного кредитования в Ростовской области // Инновационные технологии в машиностроении, образовании и экономике. - 2018. - Т. 14. - № 1-2. -С. 553-558.
3. Столбовская Н.Н., Максимен-ко В.А., Кулакова Д.Г., Коликова Е.М. Оценка взаимосвязи динамики объема банковского кредитования и объемов ВВП в России на основе применения метода регрессионного анализа // Финансовые исследования. - 2017. - № 4 (57). - С. 58-70.
4. Реальная начисленная заработная плата в процентах к соответствующему
периоду предыдущего года / ЕМИСС [Электронный ресурс]. - Режим доступа: https://fedstat.ru/indicator/43245 (дата обращения 10.10.2019).
5. Введено в действие общей площади жилых домов на 1000 человек населения / ЕМИСС [Электронный ресурс]. -Режим доступа: https://fedstat.ru/indicator/ 33574 (дата обращения 15.12.2019).
6. Ратникова Т.А. Анализ панельных данных в пакете Stata. - М.:ГУ-ВШЭ, 2004.
7. Бугров О.Б. Жилищная политика и инновационное развитие жилищностроительной сферы // Экономика и менеджмент инновационных технологий. -2014. - № 8. - С. 20-23.
8. Петрова Е.И. О перспективах развития ипотечного кредитования в современных условиях // Современные проблемы социально-экономического развития: сборник материалов 10-й международной НПК. - Махачкала, 2016. - С. 128-129.
9. Столбовская Н.Н., Цушко П.Э. Динамика и факторы ипотечного жилищного кредитования в современной России // Инновационные технологии в машиностроении, образовании и экономике. -2019. - Т. 23. - № 2 (12). - С. 442-443.
10. Гогитидзе М.В., Цушко П.Э., Столбовская Н.Н. Оценка современного состояния рынка жилья в Ростовской области // Новое качество образования и науки. - 2017. - С. 59-66.
11. Федотова Е.Р., Ишамятова И.Х. Ипотечно-инвестиционный анализ рынка недвижимости // Modern Science. - 2019. -№ 4-1. - С. 136-141.
12. Хейгетян С.Х., Иванченко И.С. Оценка современного состояния ипотечного кредитования в России // Новая наука: современное состояние и пути развития: материалы Международной (заочной) научно-практической конференции / Под общ. ред. А.И. Вострецова. - Нефтекамск: Мир науки, 2019. - С. 76-83.
13. Posnaya E.A., Kaznova M.I., Shapiro I.E., Vorobyova I.G. Analysis of Theory and Practice of Capital Estimation Methods Application in the Bank Management // Еигореап Research Studies Journal. -Special Issue 3B, 2018 (ERSJ).
14. Posnaya E.A., Vorobyova I.G., Sokolova EM., Leonova M.P. The Role of Human Factors in the Bank Capital Evaluation Framework // European Research Studies Journal (ERSJ), Special Issue dedicated to the International Conference «Russia and EU: Development and Horizons» Rostov State University of Economics. November 17-18 2016. Vol. XX, Issue 1, 2017. p. 148-154.
15. Черкашина Т.А., Калабин М.А. К вопросу оценки жилой недвижимости при ипотечном кредитовании // Международный научный журнал. - 2019. - № 3. -С. 82-88.
16. Хаустов В.В., Хаустова Т.В. О взаимообусловленности конъюнктуры фондового рынка и динамики современного рынка недвижимости // Известия Юго-Западного государственного университета. Серия: Экономика. Социология. Менеджмент. - 2015. - № 4 (17). - С. 81-87.
17. Черкашина Т.А., Хаустова Т.В., Фирсова Н.Б. Анализ влияния общеэкономических показателей на региональный рынок недвижимости // Известия Юго-Западного государственного университета. Серия: Экономика. Социология. Менеджмент. - 2015. - № 1 (14). - С. 34-45.
BIBLIOGRAPHIC LIST
1. Residential mortgage lending-access Mode: https://cbr.ru/stati stics/pdko/Mortgage/ ML/ (accessed 20.02.2020)
2. Stolbovskaya, N.N. Prospects for the development of the housing market and mortgage lending in the Rostov region / N.N. Stolbovskaya, P.E. Tsushko // Innovative technologies in engineering, education and Economics. - 2018. - Volume 14. - No. 12. - P. 553-558.
3. Stolbovskaya N.N., Maksimenko V.A., Kulakova D.G., Kolikova E.M. Evaluation of the relationship between the dynamics of Bank lending and GDP in Russia based on the use of the regression analysis method. Financial research. 2017. No. 4(57). Pp. 58-70.
4. Real accrued wages as a percentage of the corresponding period of the previous year / EMISS [Electronic resource]. - Mode of access: https://fedstat.ru/indicator/43245 (accessed 10.10.2019)
5. The total area of residential buildings per 1000 people / EMISS was put into effect. - [Electronic resource]. - Mode of access: https://fedstat.ru/indicator/33574 (accessed 15.12.2019)
6. Ratnikova T. A. analysis of panel data in the Stata package. Moscow: HSE, 2004.
7. Bugrov, O. B. Housing policy and innovative development of the housing and construction sector / O. B. Bugrov // Economics and management of innovative technologies. - 2014. - No. 8. - Pp. 20-23.
8. Petrova, E. I. on the prospects of mortgage lending in modern conditions / E. I. Petrova // Modern problems of socioeconomic development: collection of materials of the 10th international NPC. - Makhachkala, 2016. - Pp. 128-129.
9. Stolbovskaya, N. N. Dynamics and factors of mortgage housing lending in modern Russia / N. N. Stolbovskaya, P. E. Tsu-shko // Innovative technologies in mechanical engineering, education and Economics. -2019. - Vol. 23. - No. 2 (12). - Pp. 442-443.
10. Gogitidze M. V., Tsushko P. E., Stolbovskaya N. N. Assessment of the current state of the housing market in the Rostov re-gion/ New quality of education and science. 2017. Pp. 59-66.
11. Fedotova, E. R. Mortgage and investment analysis of the real estate market / E. R. Fedotova, I. H. Ishamyatova // Modern Science. - 2019. - No. 4-1. - P. 136-141.
12. Haigetyan, S. H. Assessment of the current state of mortgage lending in Russia / S. H. Haigetyan, I. S. Ivanchenko // New science: current state and ways of development:
materials of the International (correspondence) scientific and practical conference / edited by A. I. Vostretsov. - Neftekamsk: World of science, 2019. - P. 76-83.
13. Posnaya E.A., Kaznova M.I., Shapiro I.E., Vorobyova I.G. Analysis of Theory and Practice of Capital Estimation Methods Application in the Bank Management // European Research Studies Journal. -Special Issue 3B, 2018 ( ERSJ)
14. E.A. Posnaya, I.G. Vorobyova, E.M. Sokolova, M.P. Leonova .The Role of Human Factors in the Bank Capital Evaluation Framework // European Research Studies Journal( ERSJ), Special Issue dedicated to the International Conference «Russia and EU: Development and Horizons» Rostov State University of Economics November 17-18 2016 Volume XX, Issue 1, 2017 p.148-154.
15. Cherkashina Ta, kalabin Ma À la question de l'évaluation de l'immobilier résidentiel dans les prêts hypothécaires // revue scientifique internationale. - 2019. - № 3. -S. 82-88
16. Haustov V. V., haustova T. V. sur les conditions mutuelles du marché boursier et la dynamique du marché immobilier moderne // nouvelles de l'Université d'état du Sud-ouest. Série: Économie. Sociologie. Gestion. - 2015. - N ° 4 (17). - S. 81-87
17. Cherkashina T. A., haustova T. V., firsova N. B. Analyse de l'impact des indicateurs économiques généraux sur le marché immobilier régional // Izvestia Université d'état du Sud-ouest. Série: Économie. Sociologie. Gestion. - 2015. - N 1 (14). - S. 34-45.
32
$HHaHCOBbie uccnegoBaHua № 1 (66) 2020
