АНАЛИЗ ЦЕН НА РЫНКЕ КВАРТИР С ПОМОЩЬЮ ЭКОНОМЕТРИЧЕСКИХ МОДЕЛЕЙ Пяткина Д.А.,Шарипова К.Р.,Казандаева А.П.

Российский университет дружбы народов


Номер: 12-6
Год: 2016
Страницы: 25-29
Журнал: Актуальные проблемы гуманитарных и естественных наук

Ключевые слова

анализ цен, жилая недвижимость, моделирование, рынок жилья, формирование стоимости, эконометрический анализ, линейная модель, логарифмическая модель

Просмотр статьи

⛔️ (обновите страницу, если статья не отобразилась)

Аннотация к статье

Данная статья посвящена анализу и моделированию рынка жилой недвижимости на примере Москворецкого района города Санкт-Петербурга. Проведен эконометрический анализ жилой недвижимости, а именно двухкомнатных квартир, с целью выявления факторов, влияющих на формирование цен на квартиры. Двухкомнатные квартиры были выбраны как самый популярный вариант приобретения недвижимости. В результате данного анализа были выделены следующие факторы, которые наиболее ощутимо влияют на повышение цены жилой недвижимости: общая площадь квартиры, этажность дома и площадь кухни. Особо широкие возможности открывает Eviews при анализе данных, представленных в виде временных рядов, поэтому проводить анализ мы будем с помощью этого программного продукта.

Текст научной статьи

Для проведения статистического анализа и эконометрического моделирования рынка двухкомнатных квартир Москворецкого района г. Санкт-Петербурга было представлено 323 наблюдения со следующими переменными: 1. Цена (price) - цена квартиры; 2. Этаж (floor) - номер этажа; 3. Этажность (number of floors) - количество этажей в доме; 4. Общая площадь квартиры (total area); 5. Площадь комнаты 1 (room1 area); 6. Площадь комнаты 2 (room2 area); 7. Жилая площадь (living space); 8. Площадь кухни (kitchen area); 9. Площадь вспомогательных помещений (additional area); 10. Санузел (bathroom) - тип санузла (0=совмещенный, 1=раздельный, 2=два санузла); 11. Ипотека (hypothec) - возможность ипотеки (0=есть, 1=нет); 12. Продавец (seller) -тип продавца (0=фирма, 1=частное лицо); 13. Тип дома (housing type). 1=121серия 2=137серия 3=504серия 4=600серия 5=11серия 6=блочно- монолитный 7=блочный 8=брежневка 9=индивидуальный 10=кирпичный 11=кирпично-монолитный 12=монолит 13=монолитно-панельный 14=панельный 15=сталинский 16=старый фонд 17=старый фонд,кап.ремонт 18=хрущевка Предположения: Моделирование. 1. Предположим, что наименьшую стоимость имеют квартиры первого и последнего этажей дома, а наибольшую - квартиры, занимающие средние этажи. 2. Цена зависит от общей площади квартиры, то есть чем больше площадь, тем выше цена. 3. Квартиры с раздельными санузлами стоят дороже, чем с двумя и совмещенными санузлами. 4. Сталинские высотки, по идее должны стоить дороже остальных. 5. Ипотека влияет на стоимость квартиры. На этапе моделирования ставится задача построения различных регрессионных моделей продажной цены квартир - линейной и логарифмической. 1. Линейная модель. Dependent Variable: PRICE Method: Least Squares Date: 12/07/16 Time: 01:32 Sample: 1 323 Included observations: 298 HAC standard errors & covariance (Bartlett kernel, Newey-West fixed bandwidth = 6.0000) Variable Coefficient Std. Error t-Statistic Prob. KITCHEN_AREA 112.1913 57.69499 1.944559 0.0529 TOTAL_AREA 131.6075 24.13661 5.452607 0.0000 PERV -590.9769 263.9522 -2.238955 0.0260 SREDNII 239.5933 181.2116 1.322175 0.1872 POSL -1033.430 660.4265 -1.564791 0.1188 C -1701.300 1023.460 -1.662303 0.0976 LIVING_SPACE -20.57349 25.44501 -0.808547 0.4195 BATHROOM=1 -353.4420 180.3162 -1.960123 0.0510 BATHROOM=2 20.53354 1244.592 0.016498 0.9868 HOUSING_TYPE=1 370.6335 638.7675 0.580232 0.5622 HOUSING_TYPE=2 159.3790 369.1061 0.431797 0.6662 HOUSING_TYPE=4 -316.4682 437.4552 -0.723430 0.4700 HOUSING_TYPE=5 973.9473 521.5954 1.867247 0.0629 HOUSING_TYPE=6 -1247.811 778.3365 -1.603177 0.1101 HOUSING_TYPE=7 209.0779 423.4131 0.493792 0.6219 HOUSING_TYPE=8 358.3070 429.2397 0.834748 0.4046 HOUSING_TYPE=9 339.7387 425.1407 0.799121 0.4249 HOUSING_TYPE=10 695.3257 392.2763 1.772541 0.0774 HOUSING_TYPE=11 259.0542 469.3772 0.551910 0.5815 HOUSING_TYPE=13 21.08617 609.7209 0.034583 0.9724 HOUSING_TYPE=14 472.1691 395.2853 1.194502 0.2333 HOUSING_TYPE=15 2427.952 448.0743 5.418639 0.0000 HOUSING_TYPE=16 2027.709 478.8924 4.234165 0.0000 HOUSING_TYPE=17 -792.3444 784.2409 -1.010333 0.3132 HOUSING_TYPE=18 590.0673 432.9244 1.362980 0.1740 R-squared 0.753172 Mean dependent var 6476.782 Adjusted R-squared 0.731473 S.D. dependent var 2353.713 S.E. of regression 1219.684 Akaike info criterion 17.13073 Sum squared resid 4.06E+08 Schwarz criterion 17.44089 Log likelihood -2527.479 Hannan-Quinn criter. 17.25489 F-statistic 34.70980 Durbin-Watson stat 1.106661 Prob(F-statistic) 0.000000 2. Логарифмическая модель Dependent Variable: LOG(PRICE) Method: Least Squares Date: 12/07/16 Time: 00:05 Sample: 1 323 Included observations: 298 HAC standard errors & covariance (Bartlett kernel, Newey-West fixed bandwidth = 6.0000) Variable Coefficient Std. Error t-Statistic Prob. LOG(KITCHEN_AREA) 0.412023 0.060097 6.855963 0.0000 PERV -0.075798 0.028680 -2.642886 0.0087 SREDNII 0.028281 0.025539 1.107391 0.2691 POSL -0.155909 0.071431 -2.182649 0.0299 LOG(LIVING_SPACE) 0.491853 0.093158 5.279755 0.0000 LOG(ADDITIONAL_AREA) 0.246095 0.031605 7.786506 0.0000 C 5.421674 0.347816 15.58777 0.0000 BATHROOM=1 -0.061673 0.023824 -2.588653 0.0102 BATHROOM=2 0.009095 0.117541 0.077380 0.9384 HOUSING_TYPE=1 0.088167 0.134571 0.655170 0.5129 HOUSING_TYPE=2 0.018563 0.110228 0.168402 0.8664 HOUSING_TYPE=4 -0.101603 0.114313 -0.888815 0.3749 HOUSING_TYPE=5 0.230144 0.118688 1.939068 0.0535 HOUSING_TYPE=6 -0.054384 0.115988 -0.468873 0.6395 HOUSING_TYPE=7 0.002704 0.110137 0.024552 0.9804 HOUSING_TYPE=8 0.048617 0.113285 0.429159 0.6681 HOUSING_TYPE=9 0.080941 0.109081 0.742025 0.4587 HOUSING_TYPE=10 0.110806 0.109967 1.007636 0.3145 HOUSING_TYPE=11 0.064330 0.114391 0.562368 0.5743 HOUSING_TYPE=13 0.035806 0.127644 0.280516 0.7793 HOUSING_TYPE=14 0.068336 0.112567 0.607067 0.5443 HOUSING_TYPE=15 0.360131 0.115072 3.129614 0.0019 HOUSING_TYPE=16 0.280537 0.111819 2.508846 0.0127 HOUSING_TYPE=17 -0.091932 0.130669 -0.703553 0.4823 HOUSING_TYPE=18 0.079928 0.105847 0.755124 0.4508 R-squared 0.804419 Mean dependent var 8.719048 Adjusted R-squared 0.787225 S.D. dependent var 0.329834 S.E. of regression 0.152145 Akaike info criterion -0.847808 Sum squared resid 6.319390 Schwarz criterion -0.537650 Log likelihood 151.3235 Hannan-Quinn criter. -0.723655 F-statistic 46.78502 Durbin-Watson stat 1.346227 Prob(F-statistic) 0.000000 Соответствие модели выборочным данным (R2, R2adj). Коэффициент детерминации R2 показывает, насколько модель близка к исходной выборке. Чем ближе R2 к единице, тем точнее модель. Но при включении в модель новых регрессоров R2всегда увеличивается, хотя к улучшению качества модели это фактически не приводит. Чтобы проверить, действительно ли новые вводимые регрессоры делают модель лучше, необходимо вычислять скорректированный коэффициент детерминации R2adj. Чем ближеR2adj к R2, тем точнее модель описывает выборку (табл. 1). Таблица 1 Сравнение логарифмической и линейной моделей Модель Показатель Линейная Логарифмическая s 1219,684 0,152145 R2 0,753172 0,804419 adj R2 0,731473 0,787225 Основываясь на перечисленных критериях, можно сделать вывод, что наилучшими характеристиками обладает линейная модель. Она и будет являться конечным результатом данной работы. Заключение В процессе исследования мы выявили какие факторы существенно влияют на цену двухкомнатных квартир в Москворецком районе г. Санкт-Петербурга. Наш анализ вывел, что: 1. При увеличении общей площади на 1 кв. метр, её цена предложения возрастает на 131 тыс. руб., что логично, чем больше площадь квартиры, тем выше цена. 2. Типы домов Сталинский и старый фонд имеют самую большую значимость среди коэффициентов полученной модели. Принадлежность квартиры к сталинскому типу жилья увеличивает её продажную стоимость на 2427,952 тыс. руб., а принадлежность к старому фонду - на 2027,709 тыс. руб. Это связано с тем, что Сталинские высотки в Москве были возведены по единой концепции: широкое основание, ступенчатая пирамида, остроконечные шпили и мотивы кремлевских башен. Участки под строительство советских небоскребов выделялись огромные. Стоимость 1 кв. метра элитного жилья существенно выше стоимости 1 кв. метра квартиры другой серии. К тому же, квартиры этой серии обладают очень большой площадью, стоимость которой и отражает полученный коэффициент. 3. Построенная модель показывает, что цена квартиры линейно зависит от этажности. Это означает, что наше предположение было верным: наибольшую цену продажи имеют квартиры средних этажей, наименьшую - последнего этажа, там квартира стоит на 1033,430 тыс. руб. дешевле, чем на первом. 4. Квартира с двумя санузлами стоит дороже на 20,533 тыс. руб. чем с одним санузлом. 5. Предположение о том, что ипотека будет влиять на цену квартиры не оправдалась, так как коэффициент при этом факторе оказался не значим.

Научные конференции

 

(c) Архив публикаций научного журнала. Полное или частичное копирование материалов сайта возможно только с письменного разрешения администрации, а также с указанием прямой активной ссылки на источник.