Роль многофакторного моделирования в оценке стоимости жилой недвижимости и прогнозировании потребительского спроса

Сироткин В.А., Желенкова В.С., Кожевникова О.С., Чикурова А.М.

Статья в журнале

Жилищные стратегии
Том 6, Номер 3 (Июль-Сентябрь 2019)

Цитировать:
Сироткин В.А., Желенкова В.С., Кожевникова О.С., Чикурова А.М. Роль многофакторного моделирования в оценке стоимости жилой недвижимости и прогнозировании потребительского спроса // Жилищные стратегии. – 2019. – Том 6. – № 3. – С. 321-332. – doi: 10.18334/zhs.6.3.40964.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=42612300

Аннотация:
В статье осуществлена оценка существующих тенденций на рынке жилой недвижимости. Выявлены и систематизированы в виде матрицы, факторы, оказывающие наибольшее влияние на стоимость жилой недвижимости, сделано их обоснование с использованием экономико-математических методов. Авторы делают вывод, что использование экономико-математических методов, при анализе рынка жилой недвижимости, позволит руководству государственных органов и девелоперских компаний принимать управленческие решения, направленные на повышение ее доступности с учетом интересов большинства населения.

Ключевые слова: муниципалитет, факторы, модель, жилищный фонд, инвестиции, статистические методы, экономико-математические методы, зависимость, жильё, спрос, предложение

JEL-классификация: R31, R32, L74



Введение

Важность проведения исследований по настоящей тематике обусловлена тем, что повышение доступности жилой и коммерческой недвижимости отвечает жизненным интересам многих наших граждан. Необходимость и важность научно обоснованных, социально-ориентированных и экономически оправданных управленческих решений и преобразований в инвестиционно-строительной сфере территории определяют особую важность принятия комплексных решений по формированию рынка доступной недвижимости с использованием многофакторного моделирования.

Целью данной статьи является выявление существующих тенденций, сложившихся на рынке жилой недвижимости и позволяющих за счет использования однофакторного и многофакторного моделирования спрогнозировать спрос на жилье.

Объемы жилищного строительства в Екатеринбурге ежегодно увеличиваются, но ряд проблем, которые мешают повышению доступности жилья для населения, все же существует. Основными из них являются:

· рост себестоимости строительства в результате негативных финансово-экономических изменений в строительном комплексе, в том числе под воздействием неблагоприятной ситуации в экономики РФ и сложных международных политических отношений [5] (Gattunen, 2016);

· недоступность для большинства граждан РФ ипотечного жилищного кредитования в связи с необходимостью вложения значительной суммы собственных средств по отношению к среднему уровню доходов, а также высокими процентными ставками по ипотечным кредитам [9] (Ovsyannikova, Rabtsevich, Yugova, 2018);

· превышение темпа роста цен на жилье над темпами роста реальных располагаемых доходов населения; значительное превышение стоимости продажи жилья над себестоимостью его строительства [10] (Rodionova, 2009);

· большое количество высокодотационных субъектов РФ, у которых отсутствует возможность на достаточном уровне участвовать в софинансировании мероприятий по жилищному строительству и выполнению государственных обязательств по обеспечению населения жильем [16] (Kholodilin, 2019);

· ограничения сроков ипотечных программ с господдержкой и субсидированием [17] (Delgado, Porter, Stern, 2014);

· несопоставимость уровня доходов населения и цен на жилье;

· высокие темпы роста инфляции и повышение цен на товары потребительского спроса;

· высокий уровень монополизации рынка жилищного строительства.

Комплексный характер перечисленных выше проблем предопределяет необходимость понимания факторов, способных оказывать влияние на динамику стоимости жилья. Осмысление данных тенденций позволит руководству муниципального образования принимать управленческие решения, направленные на повышение доступности жилья.

Методика исследования

Для детального анализа рынка недвижимости был проведен экспертный опрос, направленный на установление факторов, способных повлиять на стоимость жилой недвижимости. С использованием метода главных компонент была осуществлена дифференциация на эндогенные и экзогенные показатели.

Выявленные факторы были систематизированы нами в виде матрицы, демонстрирующей наиболее важные показатели, оказывающие влияние на развитие жилищного фонда и динамику изменения стоимости жилой недвижимости. Система данных показателей представлена в таблице 1.

Таблица 1

Факторы, влияющие на эффективное развитие жилищного фонда

Выполнение экономических функций
Выполнение социальных функций
Эндогенные показатели (прямой эффект)
Экзогенные показатели (косвенный эффект)
1
2
3
Объем денежной массы в Российской Федерации, д.е.
Объем экспорта в Российской Федерации, д.е.
Обеспеченность жильем на душу населения, м2
Средняя месячная заработная плата работников, д.е.
Индекс потребительских цен, %
Коэффициент доступности жилья, %
Источник: составлено авторами.

Представленные в данной таблице факторы позволяют не только определить возможность приобретения доступного жилья и вероятные риски, связанные с инвестициями в рынок жилищного строительства, но и оценить степень развития всей системы воспроизводства жилищного фонда, доступность информации для потребителя и эффективность осуществления поступательного развития рынка жилья.

Для обоснования выдвинутых предположений был проведен анализ, базирующийся на оценке статистических данных с 2014 по 2018 г. В связи со сложностью точного определения средней стоимости 1 м2 жилья в г. Екатеринбурге использовались данные по однокомнатным квартирам, расположенным в микрорайоне Ботанический. Данный подход объясняется относительной однородностью представленного жилья и большим объемом предложений, что дает возможность исследователю максимально точно выявить средние цены на рынке жилой недвижимости и оценить влияние различных факторов.

Рисунок 1. График изменений стоимости 1 м2 жилой недвижимости (руб.)

Источник: составлено авторами.

Как видно из данного рисунка, несмотря на рост стоимости 1 м2 в некоторые периоды, в то же время, с января 2014 по декабрь 2018 г. для стоимости 1 м2 однокомнатной квартиры для локального рынка микрорайона Ботанический наблюдается общая тенденция к снижению (86 449 руб. в январе 2014 г., 77 304 руб. в декабре 2018 г.). Исходные данные средней стоимости получены на основании существующих предложений для рынка жилой недвижимости из открытых источников информации [10, 11] (Rodionova, 2009).

На изменение средней стоимости 1 м2 жилья оказали влияние различные факторы, в том числе и потребительские ожидания продавцов жилой недвижимости. Однако для целей настоящего исследования рассмотрим взаимосвязь стоимости 1 м2 жилой недвижимости и представленных выше факторов более подробно.

Индекс потребительских цен

На основе имеющейся информации с помощью компьютерной программы NCSS осуществлен регрессионный анализ статистических данных и построена модель влияния индекса потребительских цен на стоимость 1 м2 жилой недвижимости. Полученная модель имеет вид:

Y = 170 358, 9 – 7,07·x, (1)

где Y – смоделированная стоимость 1 м2 жилой недвижимости, руб.;

х – значение индекса потребительских цен.

Как видим, между индексом потребительских цен и стоимостью недвижимости существует обратно пропорциональная зависимость, то есть с ростом индекса потребительских цен в целом снижается стоимость 1 м2 жилой недвижимости. Данный факт характерен именно для исследуемого временного периода. Коэффициент корреляции для данной модели равен 0,8 и демонстрирует взаимосвязь между данными факторами.

Среднемесячная заработная плата в г. Екатеринбурге по узкому кругу крупных и средних предприятий

На основе имеющейся статистической информации с помощью компьютерной программы NCSS осуществлен регрессионный анализ данных и построена модель влияния среднемесячной заработной платы на стоимость 1 м2 жилой недвижимости. Полученная модель имеет вид:

Y = 140 574 – 1,28·x, (2)

где Y – смоделированная стоимость 1 м2 жилья руб.;

х – значение среднемесячной заработной платы руб.

Как видно из данной модели, между стоимостью 1 м2 жилой недвижимости и среднемесячной заработной платой существует обратно пропорциональная зависимость, то есть с ростом среднемесячной заработной платы снижается стоимость 1 м2 жилой недвижимости. Данный факт характерен именно для исследуемого временного периода. Коэффициент корреляции для данной модели (R2) составляет 0,69, то есть изменение стоимости 1 м2 жилой площади на 69 % предопределено вариацией среднемесячной заработной платы; доля прочих факторов, влияющих на стоимость 1 м2 жилья, составляет 31 %, что является относительно небольшой величиной.

Объем денежной массы в Российской Федерации

Одним из основных ориентиров денежно-кредитной политики является денежная масса. Это совокупность всех денежных средств, находящихся в обращении в национальном хозяйстве в наличной и безналичной формах. Именно этот параметр денежного обращения оказывает влияние на экономический рост, уровень развития и структуру кредитной и банковской систем, динамику цен, занятость, бесперебойное функционирование расчетно-платежной системы. В современных денежных системах деньги эффективно выполняют свои функции, если поддерживается оптимальное их количество в обращении в соответствии с потребностями экономики.

Именно поэтому актуальным представляется исследование степени влияния объема денежной массы на цены рынка недвижимости. На основе имеющейся информации с помощью компьютерной программы NCSS осуществлен регрессионный анализ статистических данных и построена модель влияния объема наличной и безналичной денежной массы в Российской Федерации на стоимость 1 м2 жилой недвижимости. Полученная модель имеет вид:

Y = 146 380,9 – 1,76·x, (3)

где Y – смоделированная стоимость 1 м2 жилья, руб.;

х – объем денежной массы в Российской Федерации, млрд руб.

Как видим, между стоимостью 1 м2 жилой недвижимости и объемом денежной массы существует прямо пропорциональная зависимость, то есть с увеличением объема денежной массы в Российской Федерации увеличивается стоимость 1 м2 жилой недвижимости. Коэффициент детерминации для данной модели (R2) составляет 0,8, то есть изменение стоимости 1 м2 жилой площади на 80 % предопределено вариацией объема денежной массы в Российской Федерации; доля прочих факторов, влияющих на стоимость 1 м2 жилья составляет 20 %, что является относительно небольшой величиной.

Рисунок 2. График смоделированных и фактических значений стоимости 1 м2 (фактор – денежная масса РФ) (руб.)

Источник: составлено авторами.

На данном рисунке представлены фактические и смоделированные значения стоимости 1 м2 жилой недвижимости в зависимости от фактора – денежная масса РФ. Данный график демонстрирует периоды снижения прогнозируемого спроса на жилую недвижимость и его повышение. Например, с ноября 2017 по июль 2018 г. наблюдается превышение смоделированых значений над фатическими данными. На основании данного факта можно сделать предположение, что спрос на жилую недвижимость в данный период увеличился. И наоборот, с апреля 2017 по октябрь 2017 г. наблюдается обратная ситуация.

Однако прогнозирование спроса на основании лишь одного фактора не всегда точно отражает реальную рыночную ситуацию. Для более точных прогнозов необходимо учитывать различные факторы, оказывающие комплексное влияние на рынок недвижимости. Для уточнения предварительных выводов построим многофакторную модель с помощью компьютерной программы NCSS. Полученная модель имеет вид

Y = 134 675,596 – 0,947·x1 – 2,308·x2 + 0,170·x3 + 1,993·x4, (4)

где Y – смоделированная стоимость 1 м2 жилой недвижимости;

х1 – индекс потребительских цен;

х2 – объем экспорта Российской Федерации, млрд руб.;

х3 – средняя заработная плата в Екатеринбурге, руб.;

х4 – объем денежной массы в Российской Федерации, млрд руб.

Рисунок 3. График многофакторной модели исследования стоимости 1 м2

Источник: составлено авторами.

Коэффициент детерминации для данной модели (R2) составляет 0,82, то есть изменение стоимости 1 м2 жилой площади на 82 % предопределено вариацией исследуемых факторов; доля прочих факторов, влияющих на стоимость 1 м2 жилья, составляет всего 18 %, что является относительно небольшой величиной.

Анализируя график (рис. 3), мы видим, что в период до мая 2014 г. наблюдается превышение смоделированных отклонений над фактическими, это дает основание нам предположить, что в данный период спрос на жилую недвижимость увеличится. Превышение смоделированных значений над фактическими наблюдается также в периоды с февраля 2016 по декабрь 2016 г. и с ноября 2017 по июль 2018 г. Наибольшее значение отклонений выявлено в феврале 2018 г. и апреле 2018 г.

С июня 2015 по октябрь 2015 г. наблюдается превышение фактических значений над смоделированными. Следовательно, в данный период можно прогнозировать снижение потребительского спроса на жилую недвижимость. Такое же превышение наблюдается и в период с августа 2018 по декабрь 2018 г., что может характеризовать снижение спроса на жилье и в данный период.

Необходимо отметить, что в данном исследовании не учитывается фактор сезонности спроса на жилую недвижимость.

Новизной настоящего исследования является выявление и систематизация в виде матрицы, факторов, оказывающих наибольшее влияние на изменение стоимости жилой недвижимости, их обоснование с использованием экономико-математических методов.

Заключение

Таким образом, проведенное исследование показало, что рынок не является изолированным. Он тесно связан с макроэкономической ситуацией в стране, и на его развитие огромное влияние оказывают доходы населения, возможность их аккумулирования. Наиболее целостную ситуацию продемонстрировала многофакторная модель, с помощью которой было обосновано снижение или увеличение спроса на недвижимость в разные периоды времени. В связи с вышесказанным необходимо отметить, что использование экономико-математических методов в процессе анализа рынка недвижимости позволяет руководству деволоперских компаний и органов государственной власти не только наиболее точно оценивать ситуацию на рынке, но и принимать управленческие решения, направленные на повышение доступности жилья и учитывающие интересы большинства населения, проживающего на данной территории.


Источники:

1. Арефин А.В. Факторы ценообразования на рынке аренды жилой недвижимости // Жилищные стратегии. – 2015. – № 4. – С. 253-266. – doi: 10.18334/zhs.2.4.1898.
2. Боровских О.Н. Основные факторы, определяющие стоимость земельного участка под индивидуальное жилищное строительство (на примере г. Казань) // Жилищные стратегии. – 2018. – № 3. – С. 367-382. – doi: 10.18334/zhs.5.3.39437.
3. Гареев И.Ф. Жилищные исследования в Российской Федерации: состояние, цели, институты // Жилищные стратегии. – 2018. – № 2. – С. 211-238. – doi: 10.18334/zhs.5.2.39550.
4. Гареев И.Ф. Международные журналы по жилищным исследованиям: анализ публикаций и наукометрических показателей (часть 4) // Жилищные стратегии. – 2016. – № 4. – С. 313-325. – doi: 10.18334/zhs.3.4.37143.
5. Гаттунен Н.А. Жилищная политика России: тенденции, проблемы, перспективы // Ученые записки Крымского федерального университета имени В.И. Вернадского. Экономика и управление. – 2016. – № 4. – С. 15-24.
6. Кибатаева А.Н., Грубов А.П. Проблемы статистического исследования развития сельского рынка жилья на региональном уровне // Известия Оренбургского государственного аграрного университета. – 2014. – № 6. – С. 181-185.
7. Мамедова С.С. Анализ взаимосвязанности процессов на рынке недвижимости // Вестник Белгородского университета кооперации, экономики и права. – 2010. – № 2. – С. 255-261.
8. Минц В.М. Принципы прогнозирования динамики цен на жилую недвижимость // Имущественные отношения в Российской Федерации. – 2008. – № 1. – С. 35-42.
9. Овсянникова Т.Ю., Рабцевич О.В., Югова И.В. Диспропорции на рынке жилищных инвестиций: анализ причин и оценка последствий // Жилищные стратегии. – 2018. – № 4. – doi: 10.18334/zhs.5.4.39694.
10. Родионова, Н.В. Специфика ценообразования на рынке жилья и факторы, влияющие на цену недвижимости // Аудит и финансовый анализ. – 2009. – № 2. – С. 406–411.
Сайт Домофонд.ру. Домофонд.ру. [Электронный ресурс]. URL: https://www.domofond.ru..
Сайт Недвижимость в Екатеринбурге. Недвижимость в Екатеринбурге. [Электронный ресурс]. URL: https://ekaterinburg.n1.ru/.
13. Сироткин В.А. Кластеризация регионального рынка недвижимости на примере Свердловской области // Жилищные стратегии. – 2016. – № 3. – С. 163-178. – doi: 10.18334/zhs.3.3.36509.
14. Стерник С.Г., Стерник Г.М. Методика прогнозирования объемов ввода на локальном рынке строительства и продажи жилья // Жилищные стратегии. – 2018. – № 2. – С. 137-152. – doi: 10.18334/zhs.5.2.39142.
15. Учинина Т. В., Ноур М. В., Аюпова З. В., Корнеева С. С. Обзор современной ситуации на рынке жилой недвижимости // Молодой ученый. – 2017. – № 9. – С. 453-456.
16. Холодилин К.А. Мировые тенденции государственной жилищной политики // Жилищные стратегии. – 2019. – № 1. – С. 9-44. – doi: 10.18334/zhs.6.1.40121.
17. Delgado M., Porter M. E., Stern S. Clusters, convergence, and economic performance // Research Policy. – 2014. – № 43. – С. 1785–1799.
18. Mandell S., Wilhelmsson M. Willingness to Pay for Sustainable Housing // Journal of Housing Research. – 2011. – № 1. – С. 35-51.
19. Silje Eretveit Theis Theisen Efficiency and Justice in the Market for Cooperative Dwellings // The International Real Estate Review. – 2016. – № 3. – С. 297-326.
20. Simons R. A., Seo Yo. Rosenfeld P. Modeling the Effects of Refinery Emissions on Residential Property Values // Journal of Real Estate Research. – 2015. – № 3. – С. 321–342..
21. William Miles Contagion Interdependence and Diversification across Regional UK Housing Markets // The International Real Estate Review. – 2016. – № 3. – С. 327-351.
22. Yunus N. Modeling Relationships among Securitized Property Markets, Stock Markets, and Macroeconomics Variables // Journal of Real Estate Research. – 2012. – № 2. – С. 127–156.

Страница обновлена: 11.07.2020 в 01:22:30