Прогнозирование рынка недвижимости

Введение. Вопросы исследования рынка недвижимости являются приоритетными в рамках проводимого исследования. Основная задача проводимого исследования заключается в выявлении базовых показателей, достоверно отражающих цены на рынке недвижимости. Проводимое исследование охватывает региональный уровень изменения цен на недвижимость. Чтобы проанализировать состояние цен на рынке недвижимости в Краснодарском крае, для первичной обработки показателей применялись методы многомерной статистики: регрессионного и факторного анализа.

Теоретическую основу исследования составили работы российских и зарубежных авторов [1–12], которые раскрывали суть проблемы и методы проведения регрессионного и факторного анализа.

Обзор литературы

Исследованием рынка недвижимости и прогнозированием его динамики занимались следующие отечественные ученые: А. В. Зиненко (2025) [6], М. Ю. Молчанова (2011) [12], Е. П. Ростова (2025) [16], Г. М. Стерник и А. В. Свиридов (2013) [18], Л. И. Теньковская (2025) [20], А. В. Савельев (2025) [17], А. М. Гаджизаде и др. (2025) [1], С. М. Глухова, и А. Ю. Чернов (2024) [3], И. А. Казимиров и др. (2017) [8], А. Жминько и др (2023) [7], С. И. Нестерова (2013) [13], П. Г. Грабовый и И. В. Кущенко (2024) [4] и др.

С.И. Нестерова в своем исследовании отмечает, что цены на недвижимость в первую очередь зависят от макроэкономических факторов [13]. В основном в работе было сконцентрировано внимание на факторы связанные с объектом недвижимости как товар, рассмотрена их корреляционная взаимосвязь. Приведена авторская классификация факторов, влияющих на цену жилой недвижимости на первичном рынке.

Согласно исследованию, С. М. Глухова, и А. Ю. Чернова на стоимость жилья влияют внутренние факторы объекта недвижимости. Приводится метод корреляционно-регрессионного анализа, для моделирования внутренних факторов объекта недвижимости (к примеру, площадь, этажность, расстояние до центра и т.д.) на стоимость жилья. Но ничего не сказано о том отчего зависит рост стоимости жилья или снижение цен на недвижимость [3].

Как отмечают в своих исследованиях Е. А. Коледа и А. Д. Матюшенко для моделирования рынка недвижимости можно использовать различные подходы и методы: методы системной динамики (проводя анализ и прогнозирование цен на жилье, учитывая взаимосвязи между различными факторами рынка); эконометрическое моделирование, используя статистические методы для оценки и прогнозирования; модели оценки объектов на стадии строительства; учет расположения объекта – пространственные модели и т.д. [9].

В предложенном исследовании рассмотрим экзогенные факторы и их влияние на цены объектов жилой недвижимости в городе Краснодаре и Краснодарском крае.

Методология и порядок исследования

В исследовании предлагается методический подход к прогнозированию средней цены улучшенного качества жилья в Краснодарском крае за один квадратный метр, который включает следующие этапы:

– определение факторов, влияющих на ценовую политику на рынке недвижимости;

– выбор основных показателей для прогнозирования и построение корреляционной матрицы;

– процедуры обработки данных и оптимизация совокупности показателей для прогнозирования методами факторного анализа;

– проведение процесса прогнозирования.

Первый этап. В таблице 1 представлена авторская классификация совокупности факторов, влияющих на стоимость квартиры на рынке недвижимости. Факторы сгруппированы в следующие блоки: ЭкФ1 – экзогенные факторы; ЭнФ2 – эндогенные факторы; РМ3 – рекламно-маркетинговые факторы; РФ4 – рыночные факторы.

Второй этап. Выбор основных показателей для исследования и прогнозирования.

Для проведения исследования использовались статистические данные, полученные с сайта Управления Федеральной службы государственной статистики по Краснодарскому краю, которые послужили информационной базой исследования [19].

Таблица 1 – Факторы, влияющих на стоимость квартиры на рынке недвижимости

Исследование проводилось с целью выявления влияния экзогенных факторов на стоимость недвижимости в Краснодарском крае, авторами была составлена система экзогенных показателей, которые представлены в таблице 2.

Таблица 2 – Система экзогенных показателей

Обозначение показателя	Наименование показателя
	Уровень инфляции в Краснодарском крае, в процентах
	Среднемесячная номинальная начисленная заработная плата работников организаций (без выплат социального характера в рублях)
	Средневзвешенная ставка ипотечного кредитования населения в Краснодарском крае (в процентах)
	Уровень доходов населения рост по сравнению с предыдущим годом, в процентах
	Величина прожиточного минимума в Краснодарском крае, в рублях
	Уровень безработицы в Краснодарском крае, в процентах
	Тенденция изменения численности населения (чел.)
	Миграционный прирост населения (чел.)
	Численность рабочей силы (чел.)
	Индексы цен строительной продукции по элементам технологической структуры (в процентах к предыдущему году)
	Средняя цена улучшенного качества жилья в Краснодарском крае за один квадратный метр (в рублях)

Были собраны статистические данные по представленным показателям за пять лет с 2021 по 2025 и построена корреляционная матрица (табл. 3,4). Корреляционная матрица была построена c применением пакет «Анализ данных» Microsoft Excel. Статистический анализ данных проводился с применением пакета программ статистика SPSS, а графическая визуализация данных выполнена средствами Microsoft Excel.

Таблица 3 – Статистические показатели за пять лет по экзогенным факторам

Год
2021	0,07	43510	0,08	0,02	11397	0,06	5838273	40643	2886000	1,04	105867
2022	0,13	50250	0,10	0,11	12148	0,04	5832042	11892	2863000	1,15	124830
2023	0,08	58250	0,07	0,12	13800	0,00	5845742	32496	2924000	1,11	137858
2024	0,09	70410	0,20	0,09	14644	0,02	5840000	31593	2931000	1,11	150649
2025	0,10	80510	0,10	0,09	17024	0,02	5800000	18639	2957000	1,10	156505

Таблица 4 – Матрица R корреляций для 11 статистических показателей

	1,00	0,11	0,10	0,55	0,07	0,02	-0,34	-0,95	-0,32	0,84	0,19
	0,11	1,00	0,45	0,39	0,99	-0,62	-0,64	-0,31	0,89	0,25	0,96
	0,10	0,45	1,00	0,09	0,29	-0,13	0,08	0,01	0,26	0,22	0,48
	0,55	0,39	0,09	1,00	0,39	-0,8	-0,02	-0,60	0,21	0,89	0,60
	0,07	0,99	0,29	0,39	1,00	-0,64	-0,7	-0,30	0,92	0,2	0,94
	0,02	-0,62	-0,13	-0,8	-0,64	1,00	0,01	0,13	-0,66	-0,47	-0,77
	-0,34	-0,64	0,08	-0,02	-0,7	0,01	1,00	0,55	-0,47	-0,05	-0,48
	-0,95	-0,31	0,01	-0,60	-0,30	0,13	0,55	1,00	0,09	-0,80	-0,36
	-0,32	0,89	0,26	0,21	0,92	-0,66	-0,47	0,09	1,00	-0,1	0,84
	0,84	0,25	0,22	0,89	0,2	-0,47	-0,05	-0,80	-0,1	1,00	0,44
	0,19	0,96	0,48	0,60	0,94	-0,77	-0,48	-0,36	0,84	0,44	1,00

Проведем анализ корреляционной матрицы, представленной в таблице 4. Определим показатели, сильно влияющие на нашу целевую переменную , и обозначим ее как Y. На основе корреляционной матрицы можно сделать вывод, что на стоимость квадратного метра жилья – Y, имеют сильное влияние такие показатели как:

– среднемесячная номинальная начисленная заработная плата – с коэффициентом корреляции r = 0,96;

– величина прожиточного минимума в Краснодарском крае – с коэффициентом корреляции r = 0,94;

– численность рабочей силы – коэффициент корреляции имеет высокую прямую связь r = 0,84;

– уровень безработицы – в Краснодарском крае коэффициент корреляции имеет высокую обратную связь r = -0,77.

Показатели дублируют друг с другом по отношению к целевому показателю Y( ). Если оставить их все в регрессионной модели, то произойдет перегрузка модели из-за мультиколлинеарности, а их веса приобретут другое значение. В нашем случае лучше всего оставить показатель , потому что у него наблюдается самый высокий коэффициент корреляции с целевым показателем Y( ) (r = 0,96).

Причина коллинеарности среднемесячной зарплаты – и величины прожиточного минимума – (r = 0,99), связана с индексацией на законодательном уровне со стороны государства в РФ минимального размера оплаты труда и прожиточного минимума.

Коэффициент корреляции (r = 0,92), между величиной прожиточного минимума показатель – и численность рабочей силы показатель – имеет высокую корреляционную связь. Это можно объяснить следующим образом, когда дорожает потребительская корзина, тогда скрытые группы населения выходят на рынок в поисках работы. Для выполнения процесса прогнозирования включать эти оба фактора нежелательно. Исключению подлежит показатель .

Проведем анализ остальных показателей. Уровень доходов населения рост по сравнению с предыдущим годом – данный показатель имеет умеренный коэффициент корреляции с Y( )(r = 0,60), в тоже время показатель имеет сильную обратную корреляционную связь с уровнем безработице в крае – (r = -0,8). Спад числа безработных в Краснодарском крае, свидетельствует об устойчивом экономическом положении, стабильный доход и доступная ипотека поддерживают высокий спрос на жилье на рынке недвижимости. Для недопущения избыточности в модели целесообразно исключить показатель .

Средневзвешенная ставка ипотечного кредитования населения в Краснодарском крае показатель – (r = 0,48) и тенденция изменения численности населения показатель – (r = -0,48) имеют умеренную корреляционную связь с Y( ). Но их важность в регрессионной модели заключается в том, что они имеют незначительную корреляционную связь с другими показателями. Их желательно включить в нашу регрессионную модель.

Если рассматривать классическую экономическую модель, то корреляционная связь между показателями и Y( ) должна быть обратна, т.е. с уменьшением ставки по ипотеке должен возрастать спрос и цена на недвижимость. Но на рынке недвижимости Краснодарского края показатель отражает общий макроэкономический цикл. В период высокой инфляции показатель – ЦБ РФ подымает ключевую ставку показатель – цены продолжают расти и на недвижимость, население приобретает недвижимость лишь бы успеть купить, думая что цена вырастет еще больше.

Уровень инфляции в Краснодарском крае – (r = 0,19) и миграционный прирост населения – (r = -0,36) имеют слабое влияние на целевую переменную Y( ). Из приведенной пары показателей имеет смысл оставить показатель , так как он чуть сильнее влияет на Y( ).

Экономически это можно обосновать следующим образом, инфляция в Краснодарском крае, является барьером для переезда мигрантов на Кубань. Мигранты не хотят ехать в регион, где стоимость жилья продуктов и услуг растет быстрее чем уровень зарплат. Высокая инфляция, сопровождается ростом цен на жилье и миграционный поток из других регионов в Краснодарский край резко падает и замораживается. Высокие темпы инфляции оказывают негативное влияние на бизнес, идет сокращение рабочих места на предприятиях, а следствие этому отсутствие рабочих мест для трудовых мигрантов. Исключению подлежит показатель – уровень инфляции в Краснодарском крае.

Индексы цен строительной продукции по элементам технологической структуры – (r = 0,44) имеет умеренную корреляционную связь с Y( ), но в тоже время он дублирует показатели (r = 0,89) и (r = 0,84). Показатель демонстрирует инфляцию издержек, рост цен на стройматериалы, логистику и строительно-монтажные работы напрямую влияет на конечную стоимость квадратного метра жилья Y( ).

Показатель – уровень доходов населения и показатель – индексы цен на строительную продукцию имеют высокую корреляционную связь (r = 0,89). Корреляционная связь объясняется следующим образом, с ростом уровня доходов у населения в Краснодарском крае, появляется больше свободных денег и возможностей инвестирования строительной отрасли. Если оставить оба фактора в прогнозной модели, произойдет ее перегрузка. Показатель – индексы цен на строительную продукцию отражает инвестиционный климат в строительной отрасли, а показатель – уровень доходов населения лучше применять при оценке уровня жизни в Краснодарском крае и покупательскую способность населения. Представленные показатели и подлежат исключению из модели прогнозирования средней цены улучшенного качества жилья в Краснодарском крае.

Рассмотрим показатели, которые имеют разнонаправленное движение, к таким показателям можно отнести – миграционный прирост населения и – индексы цен строительной продукции (r = -0,8). Удорожание строительной продукции ( ) ведет к повышению стоимости квадратного метра жилья в крае и уменьшения притока мигрантов ( ). Из-за повышения цен на стройматериалы, повышаются цены на жилье и переезд мигрантов в Краснодарский край замедляется. На данную корреляционную связь влияет макроэкономический фактор, при высокой ставки уровня инфляции ( ) повышаются цены на строительную продукцию ( ). В ответ на инфляцию Центральный банк РФ вынужден повышать ставку ипотечного кредитования, а без дешевой ипотеки падает миграционный прирост населения ( ). Таким образом, коэффициент корреляции (r = -0,8) указывает на сильную мультиколлинеарность. Показатель ( ) подойдет для моделирования демографического прироста населения в Краснодарском крае, а показатель ( ) для моделирования инвестиций в строительный бизнес.

Таким образом, наша регрессионная модель будет построена на основе следующих показателей: , , , . Уравнение для краткосрочного прогноза можно записать в виде следующего выражения:

(1)

Экономическое обоснование уравнения следующее: рост среднемесячной номинальной начисленной заработной платы показатель – , увеличивает покупательную способность населения на рынке недвижимости.

Для подтверждения нашей гипотезы проведем факторный анализ для всей совокупности представленных показателей.

Третий этап. Процедура обработки данных методами факторного анализа. Для обработки данных в исследовании применялся инструментарий факторного анализа – метод главных компонентов. Предложенный метод обусловлен его эффективностью по сокращению размерности данных за счет объединения коррелирующих признаков в независимые факторы и сохранения при этом максимального объема исходной информации [10, 15]. При осуществлении анализа главных компонент применяется следующее выражение:

, (2)

где – наблюдаемые переменные (показатели); – обозначает r-ю компоненту (i, r =1,2,…,p); – вес r-й компоненты в i-й переменной.

Для анализа методом главных компонентов будет применяться наша корреляционная матрица, представленная в таблице 4, в которой, как было отмечено выше, некоторые показатели можно выразить через другие.

Проведен факторный анализ, в ходе которого определены собственные значения – , дисперсии главных компонентов, их вклад в общую дисперсию, а также накопленный процент дисперсии (табл. 5).

Таблица 5 – Начальные собственные значения главных компонентов и их вклад в общую дисперсию

Компонент	Всего	Процент дисперсии	Суммарный процент
	= 5,455	49,593	49,593
	= 2,940	26,730	76,323
	= 1,568	14,259	90,582
	= 1,036	9,418	100
Итого	11	100,000

Факторная нагрузка (вес r-й компоненты в i-й переменной) показывает, насколько тесно переменная связана с общим фактором, по сути, это и есть коэффициент корреляции между ними. Значения этих нагрузок для главных компонентов , , и представлены в таблице 6.

Таблица 6 – Матрица факторных нагрузок для главных компонентов

Показатели (переменные)	Главные компоненты
	0,393	-0,872	-0,246	0,154
	0,919	0,349	-0,144	0,113
	0,361	0,136	0,229	0,894
	0,710	-0,481	0,458	-0,234
	0,907	0,373	-0,189	-0,053
	-0,746	-0,141	-0,563	0,326
	-0,559	-0,073	0,818	0,117
	-0,563	0,745	0,356	0,032
	0,725	0,682	-0,010	-0,100
	0,591	-0,760	0,264	0,054
	0,969	0,211	0,084	0,097

Контроль наших вычислений производится на основании применения следующего выражения:

, (3)

где – наибольшее собственное значение r-й главной компоненты.

Произведем вычисление и проверку по формуле (3) для первой компоненты :

(5)

Таким же образом производится проверка собственных значений других компонент и их вклад в общую дисперсию (табл. 5 и табл. 6).

По критерию Кайзера, где >1, можно оставить четыре главные компоненты в расчетах, они дают 100% дисперсии данных, что является идеальным случаем для проведения экономических расчетов и считается приемлемым результатом.

Рассмотрим по отдельности каждую из главных компонент.

1. Главная компонента – экономический рост и стоимость жилья.

Данная компонента включает следующие показатели, которые имеют сильную прямую связь (табл.6): рост зарплат – (0,919), рост уровня доходов – (0,71), величина прожиточного минимума – (0,907), численность рабочей силы – (0,725), средняя цена кв. метра жилья – (0,969), а также сильную обратную связь: уровень безработицы – (-0,746).

Данная главная компонента имеет следующую интерпретацию: с повышением уровня доходов населения ( ) и уровня зарплат ( ), повышается платежеспособность населения и повышаются цены на жилье ( ), а также увеличивается прожиточный минимум в регионе ). Можно сделать вывод, что высокая покупательная способность населения, способствует снижению уровня безработицы ( ), о чем свидетельствует главная компонента (табл. 6), а также подтверждается наша гипотеза и экономическое обоснование уравнения (1).

2. Главная компонента – миграционная привлекательность Краснодарского края.

Ключевые показатели данной компоненты: уровень инфляции (-0,872), который имеет обратную связь; индекс цен на строительную продукцию (-0,760) обратная связь; миграционный приток населения в край (0,745) прямая связь; численность рабочей силы (0,682) прямая связь.

Экономически это можно объяснить следующим образом, с ростом инфляции ( ) происходит повышение цен на строительную продукцию ( ), реальные доходы падают, снижается покупательная способность населения и как следствие развитие региона. Результатом является замедления миграционного притока населения в регион ( ), что ограничивает рост рабочей силы ( ).

В другом сценарии: стабилизация цен на строительную продукцию и уменьшение инфляции, стимулирует миграционный приток населения в Краснодарский край и его привлекательность.

3. Главная компонента –изменения рынка труда в Краснодарском крае.

Компонента предоставляет описания изменения рынка труда в крае. Основными показателями компоненты являются:

– тенденция изменения численности населения в крае (0,818);

– уровень безработицы (-0,563);

– рост доходов населения (0,458).

Главная компонента демонстрирует происходящие демографические процессы в регионе на рынке труда. Если посмотреть связи главной компоненты (табл. 5), можно наблюдать положительную связь с динамикой численности населения (0,818) и отрицательную связь с уровнем безработицы (-0,563), что свидетельствует о качественном экономическом развитии Краснодарского края. Рост населения в данный исследованный период сопровождался его активным вовлечением в экономическую деятельность края.

4. Главная компонента –ипотека.

Рассматриваемая компонента показывает влияние политики ЦБ РФ на региональный уровень. В качестве показателя выделяется ставка ипотечного кредитования (0,894) с наибольшим весовым коэффициентом.

Проведенные исследования показали, что ставки по ипотеке диктуются политикой ЦБ РФ и никак не зависят от экономических успехов (экономических убытков) на региональном уровне, а ставка по ипотеке диктуется исключительно решением ЦБ РФ. Ставка по ипотеке выступает внешним регулятором рынка жилья.

Четвертый этап. Проведение процесса прогнозирования на основе факторного анализа. Представим наши статистические данные экзогенных показателей таблица 3, в стандартизированном виде таблица 7 для проведения регрессионного анализа.

Стандартизированные значения будем определять, используя следующее выражение:

, (6)

где – стандартизированные статистические показатели i-го показателя за t – год; – исходное значение показателя i-го за t год; - среднее значение i-го показателя за все года; – стандартное отклонение i-го показателя по всем годам.

Таблица 7 – Стандартизированные статистические показатели за пять лет по экзогенным факторам

Показатели (переменные)	Год
	2021	2022	2023	2024	2025
	-1,042	1,564	-0,608	-0,174	0,261
	-1,140	-0,690	-0,156	0,656	1,330
	-0,577	-0,192	-0,770	1,732	-0,192
	-1,687	0,614	0,869	0,102	0,102
	-1,086	-0,747	-0,001	0,380	1,455
	1,403	0,526	-1,228	-0,351	-0,351
	0,390	0,046	0,802	0,485	-1,723
	1,174	-1,310	0,470	0,392	-0,727
	-0,700	-1,314	0,315	0,502	1,197
	-1,565	1,211	0,202	0,202	-0,050
	-1,434	-0,505	0,133	0,759	1,046

Методом факторного анализа определяем вектор значений компонент на 2021-2025 гг.:

1. Определяем весовые коэффициенты используя следующее выражение:

(7)

где – весовой коэффициент i-ой переменной r-ой компоненты; – факторная нагрузка (табл. 6) i-ой переменной на r-ю главную компоненту.

Результаты вычисления весовых коэффициентов представлены в таблице 8.

Таблица 8 – Весовые коэффициенты главных компонент по i-ой переменой на r-ю компоненту

Показатели (переменные)	Главные компоненты
	; = 5,455	= 2,94	= 1,568	= 1,036
	0,0720	-0,2967	-0,1572	0,1489
	0,1684	0,1188	-0,0919	0,1094
	0,0662	0,0464	0,1459	0,8626
	0,1302	-0,1636	0,2919	-0,2263
	0,1662	0,1268	-0,1208	-0,0512
	-0,1368	-0,0480	-0,3591	0,3143
	-0,1024	-0,0250	0,5215	0,1133
	-0,1032	0,2535	0,2270	0,0304
	0,1328	0,2319	-0,0061	-0,0961
	0,1083	-0,2586	0,1686	0,0522
	0,1777	0,0717	0,0533	0,0932

2. Строится сводная таблица главных компонент за пять лет, матричным перемножением стандартизированных оценок (таблица 7) и весовых коэффициентов (таблица 8), в итоге получим таблицу 9 значений главных компонентов, которую будем применять при проверки нашей прогнозной модели.

Построения сводной таблицы главных компонент проводится на основе следующего выражения:

(7)

где – вектор значений главных компонентов для определенного года t; – вектор столбец (стандартизированные оценки показателей (табл.7) для определенного года t); – матрица весовых коэффициентов (табл. 8).

Таблица 9 – Итоговые значения главных компонентов

Вектор значений	Год
	2021	2022	2023	2024	2025
	-1,5759	-0,1353	0,1166	0,4705	1,1241
	0,6456	-1,7629	0,1725	0,4641	0,4807
	-0,5470	-0,2183	1,2566	0,7432	-1,2345
	0,0323	0,1640	-1,2564	1,4871	-0,4270

Модель для прогнозирования с применением метода главных компонентов имеет следующее выражение:

(8)

где – целевая функция или значение результирующей переменной (прогнозируемая средняя цена улучшенного качества жилья в Краснодарском крае за один квадратный метр (в рублях) – зависимая факторная переменная) на t – период прогнозирования; – среднее значение квадратного метра жилья за исследуемый период; – стандартное отклонение; – интегральный коэффициент.

Интегральный коэффициент определяется матричным перемножением вектора значения главных компонентов (табл. 9) за определенный год на коэффициенты факторных нагрузок (табл. 6):

Проведем прогноз стоимости одного квадратного метра жилья улучшенного качества в Краснодарском крае на основании предложенной модели (8), результаты представлены на рисунке 1. В таблице 10 приведено сравнение реальных значений за один квадратный метр со значениями, полученными по модели.

Таблица 10 – Сравнение результатов, полученных по модели с реальными (руб./кв. м.)

Рисунок 1 – Прогноз стоимости жилья

Источник: составлено авторами

Представленные данные в таблице 10 показывают высокую точность модели (8), которую можно использовать на практике, для прогнозирования цен на недвижимость за один квадратный метр жилья. Максимальное отклонение зафиксировано -0,002%.

Заключение

В процессе проведенного исследования были получены следующие выводы:

1. Приведена авторская классификация факторов, влияющих на стоимость квартиры на рынке жилой недвижимости.

2. На основе корреляционной матрицы была построена регрессионная модель прогнозирования средней цены улучшенного качества жилья в Краснодарском крае за один квадратный метр (в рублях), приведено экономическое обоснование уравнения, о том, что рост среднемесячной номинальной начисленной заработной платы и снижение средневзвешенной ставки ипотечного кредитования увеличивает покупательную способность населения на рынке недвижимости. И наоборот, увеличение средневзвешенной ставки ипотечного кредитования снижают покупательную способность населения в регионе.

3. На основе методов факторного анализа проведена систематизация экзогенных параметров и были выделены четыре главных компоненты: экономический рост и стоимость жилья; миграционная привлекательность региона; изменения рынка труда в Краснодарском крае; ипотека. Изложена экономическая трактовка четырех главных компонентов и подтверждена их макроэкономическая взаимосвязь. Было экономически доказано влияние уровня реальных доходов населения и демографических изменений численности населения в регионе на покупательную способность и стоимость жилья на рынке недвижимости Краснодарского края.

4. Применение в прогнозировании факторного анализа и регрессионных моделей, показывает их высокую эффективность и точность, что подтверждает превосходство данного подхода при построении моделей над классическими моделями при определении прогнозной цены квадратного метра жилья.