Таблица 31. Прогноз стоимости единицы жилой площади вторичного рынка г. Москвы
|
№ |
Предсказанная категория |
Предсказанная вероятность попадания в категорию |
Ценовой диапазон для категории, руб. |
Фактическое значение, руб. |
Фактическая категория |
Проверка вхождения в категорию |
Средняя относительная ошибка прогноза, % |
|
|
1. |
2 |
0,50 |
6 450 000 - 7 500 000 |
6 800 000 |
2 |
да |
10% |
|
|
2. |
6 |
0,94 |
более 13 490 000 |
15 200 000 |
6 |
да |
||
|
3. |
4 |
0,52 |
7 500 000 - 8 950 000 |
7 800 000 |
4 |
да |
||
|
4. |
5 |
0,65 |
8 950 000 - 13 490 000 |
12 500 000 |
5 |
да |
||
|
5. |
4 |
0,46 |
7 500 000 - 8 950 000 |
8 200 000 |
4 |
да |
||
|
6. |
3 |
0,58 |
6 450 000 - 7 500 000 |
7 000 000 |
3 |
да |
||
|
7. |
3 |
0,58 |
6 450 000 - 7 500 000 |
6 650 000 |
3 |
да |
||
|
8. |
6 |
0,89 |
более 13 490 000 |
13 200 000 |
5 |
нет |
||
|
9. |
2 |
0,54 |
6 450 000 - 7 500 000 |
6 500 000 |
2 |
да |
||
|
10. |
6 |
1,00 |
более 13 490 000 |
22 999 000 |
6 |
да |
||
|
11. |
1 |
0,60 |
5 500 000 - 6 450 000 |
6 040 000 |
1 |
да |
||
|
12. |
4 |
0,58 |
7 500 000 - 8 950 000 |
8 500 000 |
4 |
да |
||
|
13. |
2 |
0,55 |
5 500 000 - 6 450 000 |
5 700 000 |
2 |
да |
||
|
14. |
6 |
0,54 |
8 950 000 - 13 490 000 |
9 300 000 |
5 |
нет |
||
|
15. |
4 |
0,59 |
7 500 000 - 8 950 000 |
7 950 000 |
4 |
да |
||
|
16. |
2 |
0,55 |
5 500 000 - 6 450 000 |
5 700 000 |
2 |
да |
||
|
17. |
2 |
0,54 |
5 500 000 - 6 450 000 |
6 200 000 |
2 |
да |
||
|
18. |
5 |
0,58 |
8 950 000 - 13 490 000 |
10 300 000 |
5 |
да |
||
|
19. |
1 |
0,90 |
5 500 000 - 6 450 000 |
4 950 000 |
1 |
да |
||
|
20. |
2 |
0,47 |
5 500 000 - 6 450 000 |
5 900 000 |
2 |
да |
||
|
21. |
2 |
0,53 |
5 500 000 - 6 450 000 |
6 800 000 |
2 |
да |
||
|
22. |
4 |
0,53 |
7 500 000 - 8 950 000 |
8 750 000 |
4 |
да |
||
|
23. |
2 |
0,55 |
5 500 000 - 6 450 000 |
5 200 000 |
2 |
да |
||
|
24. |
5 |
0,64 |
7 500 000 - 8 950 000 |
8 700 000 |
4 |
нет |
||
|
25. |
3 |
0,56 |
6 450 000 -7 500 000 |
7 350 000 |
3 |
да |
||
|
26. |
2 |
0,50 |
5 500 000 - 6 450 000 |
6 100 000 |
2 |
да |
||
|
27. |
4 |
0,55 |
7 500 000 - 8 950 000 |
7 800 000 |
4 |
да |
||
|
28. |
2 |
0,43 |
5 500 000 - 6 450 000 |
5 850 000 |
2 |
да |
||
|
29. |
2 |
0,49 |
5 500 000 - 6 450 000 |
5 850 000 |
2 |
да |
||
|
30. |
5 |
0,62 |
8 950 000 - 13 490 000 |
11 300 000 |
5 |
да |
Средняя ошибка прогноза составила 10%, что говорит о хорошем качестве прогнозирующей способности модели.
Следует отметить, что грубых ошибок модель не допустила - неправильно предсказанные значения содержат ошибку в одну категорию. В случае со наблюдением 24 отмечается пограничная цена, которая находится на грани диапазонов 4 и 5. В случаях 8 и 14 также наблюдается пограничная цена, но по нижнему диапазону.
3.6 Апробация комплексной модели прогнозирования стоимости недвижимости на основе линейной регрессии и оценка ее прогностической способности
Далее выполним прогноз для цены единицы жилой площади вторичного рынка г. Москвы на 2019 г. Выборка была сформирована случайным образом на основе данных из базы ЦИАН. Результат представлен в Таблица 32.
Таблица 32. Прогноз стоимости единицы жилой площади вторичного рынка г. Москвы
|
№ |
Предсказанное значение, руб. |
Фактическое значение, руб. |
Относительная ошибка прогноза, % |
Средняя относительная ошибка прогноза, % |
|
|
1. |
7 426 696 |
6 800 000 |
9,2 |
16% |
|
|
2. |
13 631 319 |
15 200 000 |
10,3 |
||
|
3. |
9 399 851 |
7 800 000 |
20,5 |
||
|
4. |
10 646 136 |
12 500 000 |
14,8 |
||
|
5. |
9 482 839 |
8 200 000 |
15,6 |
||
|
6. |
5 802 620 |
7 000 000 |
17,1 |
||
|
7. |
8 314 478 |
6 650 000 |
25,0 |
||
|
8. |
13 756 413 |
13 200 000 |
4,2 |
||
|
9. |
6 351 847 |
6 500 000 |
2,2 |
||
|
10. |
22 244 712 |
22 999 000 |
3,2 |
||
|
11. |
8 042 065 |
6 040 000 |
33,1 |
||
|
12. |
11 664 063 |
8 500 000 |
37,2 |
||
|
13. |
4 554 321 |
5 700 000 |
20,0 |
||
|
14. |
10 972 815 |
9 300 000 |
17,9 |
||
|
15. |
9 029 165 |
7 950 000 |
13,5 |
||
|
16. |
6 940 684 |
5 700 000 |
21,7 |
||
|
17. |
5 556 825 |
6 200 000 |
10,3 |
||
|
18. |
11 738 905 |
10 300 000 |
13,9 |
||
|
19. |
2 248 282 |
4 950 000 |
54,5 |
||
|
20. |
7 424 737 |
5 900 000 |
25,8 |
||
|
21. |
6 174 372 |
6 800 000 |
9,2 |
||
|
22. |
9 169 851 |
8 750 000 |
4,7 |
||
|
23. |
4 554 321 |
5 200 000 |
12,4 |
||
|
24. |
12 164 550 |
8 700 000 |
39,8 |
||
|
25. |
6 544 043 |
7 350 000 |
10,9 |
||
|
26. |
6 062 550 |
6 100 000 |
0,6 |
||
|
27. |
9 725 397 |
7 800 000 |
24,6 |
||
|
28. |
5 897 818 |
5 850 000 |
0,8 |
||
|
29. |
4 806 458 |
5 850 000 |
17,8 |
||
|
30. |
14 203 030 |
11 300 000 |
25,6 |
Средняя ошибка прогноза составила 16%, что говорит о хорошем качестве прогнозирующей способности модели. Графически отклонения предсказанных величин от фактических показаны на Рисунок 24.
Рисунок 24. Апробация комплексной модели
Из графика видно, что модель достаточно точно предсказала стоимость единицы жилой недвижимости в г. Москве. Особенно заметные выбросы присутствуют в наблюдениях 12, 19, 24, и 30.
Таким образом, разработанная комплексная модель позволяет получить как и примерную цену отдельного объекта (квартиры) жилой недвижимости, так и ее ценовую категорию - примерный диапазон цен, к которую относится объект недвижимости на основе исходных характеристик.
Заключение
В рамках данной работы для построения комплексной модели оценки и прогнозирования стоимости единицы жилой недвижимости вторичного рынка в городе Москве были решены следующие задачи:
- определены, исследованы и проанализированы ценообразующие факторы, оказывающие влияние на стоимость объектов жилой недвижимости в г. Москве в разрезе их классификации;
- проанализированы российские и зарубежные существующие модели и методы прогнозирования стоимости жилой недвижимости;
- проанализированы и выделены наиболее значимые макроэкономические, мезоэкономические, и микроэкономические факторы, которые влияют на процессы ценообразования на жилую недвижимость в г. Москве;
- разработана модель прогноза численности населения в г. Москве на 2019 г. на основе данных о миграции населения, уровней рождаемости и смертности на 1000 человек и уровня безработицы;
- разработана модель уровня территориальной потребности в жилье на основе разработанной модели прогнозирования численности населения и данных Росстата по уровню жилищной потребности в г. Москве;
- разработана модель прогнозирования комфортности отдельных жилых объектов на основе сформированной случайной выборки объектов (квартир) по всем административным округам г. Москвы на основе двух методов прогнозирования: деревьев классификации (с использованием методов CHAID, исчерпывающий CHAID, и CRT), и порядковой логистической регрессии, в которой зависимая переменная стоимости жилой недвижимости была преобразована в категориальную переменную, характеризующую ценовую категорию. Лучшие результат показал метод деревьев классификаций CRT с долей правильно предсказанных значений 72%;
- разработана комплексная модель прогнозирования стоимости жилой недвижимости в зависимости от численности населения и параметров строительства, включающая в себя три подмодели - модель прогнозирования уровня потребности населения в жилье на основе региональных данных, модель прогнозирования комфортности жилья на основе местных данных, и модель прогнозирования стоимости единицы жилой недвижимости на основе факторов, характеризующих объект, и входных переменных, являющихся результатами прогноза предыдущих моделей. Было также применено 3 метода прогнозирования - деревья классификаций с использованием методов CHAID, метода CRT, порядковая логистическая регрессия, и линейная регрессия. Лучший результат показал метод порядковой логистической регрессии с долей правильно предсказанных значений 71%;
- была проведена апробация разработанной комплексной модели на реальных данных и оценена ее прогностическая способность. Относительная ошибка прогноза цены составила 16%, а категории цены 10%.
Таким образом, все задачи исследования были успешно выполнены.
Научная новизна исследования заключается в предложении новой модели прогнозирования стоимости единицы жилой недвижимости, которая охватывает все ценообразующие факторы - макроэкономические, мезоэкономические, и микроэкономические. И их основе позволяет спрогнозировать «справедливую» стоимость конкретного объекта жилой недвижимости.
Практическая значимость данной работы заключается в широкой сфере применения модели - она может быть полезна как и обычным гражданам, у которых возникает необходимость купить или продать жилую недвижимость для оптимального расчета ее стоимости, так и риелторам для быстрого получения ее «справедливой» цены. Также она может использоваться государством для повышения качества государственного управления.
Список литературы
1. Айвазян С.А. Методы эконометрики: учебник. - М.: Магистр: ИНФРА-М, 2010.
2. Асаул А. Н., Гордеев Д. А., Ушакова Е. И. Развитие рынка жилой недвижимости как самоорганизующейся системы / под ред. засл. строителя РФ, д-ра экон. наук, проф. А. Н. Асаула. - СПб. : ГАСУ, 2008. - 334 с.
3. Стерник Г.М. Рынок жилья России в 2001 году. Анализ и прогноз. - РГР, декабрь 2001.
4. Стерник Г.М., Стерник С.Г. Анализ рынка недвижимости для профессионалов. М., 2009. - 606 с.
5. Стерник Г.М. Ценообразование на рынке жилья России.
6. Грибовский С. В. Математические методы оценки стоимости недвижимого имущества М. 2008. - 368 с.
7. Грибовский С. В., Федотова М.А., Стерник Г.М., Житков Д.Б. Экономико-математические методы оценки недвижимости. М. 2005. - 20 с.
8. Жиденко А.В. Система развития регионального рынка жилья // Вестник тамбовского университа, 2011
9. Сигел Э. Практическая бизнес статистика М. 2008 - 1056 стр.
10. Стерник Г.М. Методические рекомендации по анализу рынка недвижимости 2000г.
11. Ясницкий Л. Н. Разработка и применение комплексных нейросетевых моделей массовой оценки и прогнозирования стоимости жилых объектов на примере рынков недвижимости Екатеринбурга и Перми / Имущественные отношения в Российской Федерации, 2017
12. Алексеев А. О. Разработка концепции комплексного нейросетевого моделирования процессов массовой оценки и сценарного прогнозирования рыночной стоимости жилой недвижимости / Известия вузов. Инвестиции. Строительство. Недвижимость, 2018
13. Хабибрахманова Р. Р. Моделирование динамики изменения цен на рынке жилья в г. Казани / Управление экономическими системами: электронный научный журнал, 2015
14. Молчанова М. Ю. Применение сценарного метода при прогнозировании ситуации на рынке жилья г. Перми / Вестник Пермского Университета, 2015
15. Печенкина А.В. Использование многоуровневой факторной модели при прогнозировании ситуации на региональном рынке недвижимости на примере Пермского края / Имущественные отношения в Российской Федерации, 2010
16. Федеральная служба государственной статистики РФ [Электронный ресурс]. URL: http://www.gks.ru (Дата обращения: 05.06.2018)
17. Эконометрика. Учебник / И. И. Елисеева, С. В. Курышева, Т. В. Костеева и др.; под ред. И. И. Елисеевой. - 2-е изд., перераб. и доп. - М.: Финансы и статистика, 2007. - 576с.
18. Бердникова В.Н. Цены на первичном и вторичном рынке жилья: взаимосвязи и тенденции развития / В.Н. Бердникова, С.С. Коплик // Экономика и предпринимательство. - 2016. - № 11-3 (76-3). - С. 984-988.
19. Денисюк Е.А. Исследование и систематизация факторов, влияющих на изменение цены жилья в регионе на первичном рынке недвижимости / Е.А. Денисюк // Социально-экономические науки и гуманитарные исследования. -2016. - № 16. - С. 128-133.
20. Дж. Фридман, Н. Ордуэй. «Анализ и оценка приносящей доход недвижимости» - М., 1995.
21. Драйпер Н., Смит Г. «Прикладной регрессионный анализ: в 2-х книгах» - М., 1987.
22. Факторы, влияющие на стоимость недвижимости [Электронный ресурс]. URL: https://studopedia.ru/2_35837_faktori-vliyayushchie-na-stoimost-nedvizhimosti.html (Дата обращения: 05.06.2018)
23. ЦИАН [Электронный ресурс]. URL:
24. Hefferen M.J., Boyd T. Property taxation and mass appraisel valuations in Australia - adapting to a new environment // Property Management. 2010. Vol. 28, no 3.P. 149-162
25. Gonzaless M.A.S., Fomoso C.T. Mass appraisel with genetic fuzzy rule-based systems // Property Management. 2006. Vol 24, no 1 P. 20-30
26. Davis P., McCluskey W., Grissom T.V., McCord M. An empirical analysis of simplified valuation approaches for residential property tax purposes // Property Management. 2012. Vol. 30, no 3, P 232-254
27. Guan J., Shi D., Zurada J.M., Levitan A.S. Analyzing Massive Data Sets^ An Adaptive Fuzzy Neural Approach for Prediction with a real estate illustration // Journal of Organizational Computing and Electronic Commerce. 2014. Vol. 24, no 1. P. 94-112
28. С.Д. Нафикова Жилищная потребность и спрос на локальных рынках жилья крупных городов России - 2014
29. Норматив жилпрощади для инвалидов хотят увеличить / Электронный ресурс URL: https://informatio.ru/news/realty/normativ_zhilploshchadi_dlya_invalidov_khotyat_uvelichit/ Дата обращения : 16.03.2019
30. И.Г. Степанов, О.И. Матасова Количественная оценка комфортности жилья и ее влияние на ценообразование на рынке недвижимости
Приложение 1. Факторы для прогнозирования численности населения
|
Год |
Ввод в действие общей площади жилых домов |
Валовый регио-нальный продукт (миллион рублей) |
Реальные денежные доходы, в % к предыдущему году (процент) |
Средне-душевые денежные доходы (рубль) |
Численность постоянного населения на 1 января (человек) |
Уровень безра-ботицы |
Естественный прирост (убыль) населения на 1000 человек населения |
Количество постро-енных квартир (единица) |
Средняя стоимость строи-тельства 1 кв.м. общей площади жилых домов (рубль) |
Инвестиции в жилища |
Средняя цена 1 кв.м. |
|
|
2002 |
4274,10 |
171 127,80 |
103 |
12 460,80 |
10 269 900 |
1,4 |
-5,3 |
0 |
12 823 |
44192,60 |
24614,105 |
|
|
2003 |
4 443 |
209 174,10 |
120,2 |
16 826,60 |
10 386 903 |
1,3 |
-4,7 |
0 |
13 611 |
44192,60 |
32 666,90 |
|
|
2004 |
4578,60 |
268 390,30 |
112,9 |
20 899,10 |
10 535 681 |
1,6 |
-3,8 |
0 |
17 579 |
69669,30 |
41047,68 |
|
|
2005 |
4648,50 |
381 997,10 |
106,7 |
24 013,90 |
10 726 429 |
0,8 |
-3,4 |
0 |
18 564 |
77984,10 |
49725,5375 |
|
|
2006 |
4 779,70 |
477 873 |
109,4 |
28 249,40 |
10 923 762 |
1,6 |
-3,2 |
0 |
28 288 |
86833,70 |
84120,5325 |
|
|
2007 |
4 824,60 |
601 146,90 |
109,5 |
33 314,80 |
11 091 428 |
0,8 |
-2,2 |
0 |
21 559 |
104 908 |
124848,3975 |
|
|
2008 |
3 263,50 |
734 242 |
86,4 |
31 940,10 |
11 186 851 |
0,9 |
-1,5 |
0 |
91 615 |
129922,10 |
148851,3675 |
|
|
2009 |
2 703,50 |
628 930,30 |
113,1 |
40 071,60 |
11 281 631 |
2,8 |
-0,4 |
178 |
61 099 |
96 288,40 |
163231,1125 |
|
|
2010 |
1 768,30 |
730 774,20 |
103,2 |
44 051,50 |
11 382 161 |
1,8 |
-0,3 |
78 |
38 720 |
58 617,90 |
167311,8325 |
|
|
2011 |
2 503,50 |
859 355,10 |
100,1 |
47 318,90 |
11 776 764 |
1,4 |
1,1 |
86 |
57 280 |
56 688,80 |
163000,41 |
|
|
2012 |
3 049,74 |
895 017,90 |
98,6 |
48 934,70 |
11 856 578 |
0,8 |
1,4 |
995 |
45 263 |
78 875,80 |
171032,3525 |
|
|
2013 |
3 145,86 |
980 986,60 |
106,2 |
54 869,50 |
11 979 529 |
1,7 |
1,7 |
1 260 |
41 925 |
79 930,80 |
180528,855 |
|
|
2014 |
3 341,83 |
1 051559,60 |
92,8 |
54 504 |
12 108 257 |
0,1 |
1,6 |
1 874 |
41 720 |
83 775,80 |
184517,19 |
|
|
2015 |
3 919,55 |
1 103453,30 |
95,1 |
59 898,30 |
12 197 596 |
1,8 |
1,7 |
2 647 |
48 882 |
84 675,80 |
190285,105 |