Методология моделирования и прогнозирования жилищного рынка. Монография

Стерник Г.М., Стерник С.Г.

Возрастное ограничение: 0+ Жанр: Деловая Издательство: Проспект Дата размещения: 26.09.2018 ISBN: 9785392285600 Язык: Объем текста: 311 стр. Формат: epub

Оглавление

Введение

1. Основные понятия, используемые в работе

2. Рынок недвижимости как объект исследования

3. Зарубежный опыт исследования и прогнозирования рынка недвижимости

4. Источники данных для моделирования рынка недвижимости и методология их обработки

5. Законы, закономерности и особенности функционирования отечественного рынка недвижимости — основа содержательных гипотез при моделировании и прогнозировании рынка

6. Эволюция методов прогнозирования отечественного рынка недвижимости в условиях становления и развития рыночной экономики России

7. Методики углубленного исследования рынка недвижимости, необходимые для его моделирования и прогнозирования

8. Методика комплексного среднесрочного прогнозирования развития локального жилищного рынка

9. Опыт прогнозирования развития локальных рынков жилой недвижимости при различных макроэкономических сценарных условиях

Приложения

Об авторах

Для бесплатного чтения доступна только часть главы! Для чтения полной версии необходимо приобрести книгу

6. Эволюция методов прогнозирования отечественного рынка недвижимости в условиях становления и развития рыночной экономики России

6.1. Зарождение и эволюция методов прогнозирования на рынке недвижимости России в девяностые годы

6.1.1. Основные положения прогностики, используемые при моделировании и прогнозировании развития рынка жилой недвижимости России

Под прогнозом понимается методически обоснованное описание возможных состояний системы в будущем и сроков достижения этих состояний, а процесс разработки прогнозов называют прогнозированием.

Согласно теории прогностики, необходимо различать следующие основные понятия.

1. Статический (пространственно-параметрический) прогноз — прогноз изменения исследуемого показателя при изменении факторов, от которых он зависит. Статический прогноз может быть интерполяционным (в пределах изученной области) и экстраполяционным (при выходе некоторого параметра, от которого он зависит, за пределы изученной области).

Динамический прогноз — прогноз изменения исследуемого показателя во времени, за пределами изученного периода.

2. Глубина предыстории — это протяженность наблюдений (по параметру или по времени), количество имеющихся наблюдений, периодов изменения исследуемого показателя.

Горизонт прогноза — это количество периодов за пределами изученного, на которое производится прогноз.

3. В зависимости от горизонта прогноза, прогнозирование может быть долгосрочным, среднесрочным и краткосрочным.

Конкретная величина допустимого горизонта для каждого из этих видов прогноза зависит от физического (экономического) содержания задачи, общеэкономической ситуации, состояния конкретного сегмента рынка, и может существенно меняться. Так, правительственные среднесрочные прогнозы развития экономики России имеют горизонт в 3 года. В настоящее время на рынке недвижимости России мы рассматриваем в качестве сверхкраткосрочного — прогноз на 1–3 месяца, краткосрочного — на год-полтора, среднесрочного — на три-пять лет, долгосрочного — на 5–7 лет.

Важно подчеркнуть, что для каждого из этих видов прогноза необходимо изучать разный перечень факторов, влияющих на изменение исследуемого показателя (полупериод изменения которых близок к величине горизонта прогноза). Например:

— известное явление декабрьских выплат задолженности по зарплате, премиальных и бонусов распространяет свой эффект на рынке недвижимости в течение 1–2 месяцев;

— сезонные факторы мало влияют на итоги годового тренда, и в то же время могут оказаться существенными для прогноза изменения цен и оборотов рынка за 3–4 месяца;

— уровень цен на энергоносители, темпы оттока капитала из страны существенны как для краткосрочного прогноза (с лагом в 2–3 месяца), так и для среднесрочного прогноза (через накопленные приросты цен на жилье за прошедшие месяцы года).

4. Достоверность прогноза оценивается погрешностью прогноза и ошибкой прогноза.

Погрешность прогноза — это ожидаемая или фактическая величина (оцениваемая с заданной доверительной вероятностью) отклонения прогнозируемой величины от среднего прогнозного значения. В теории прогноз с погрешностью до 30% считается достоверным.

Ошибка прогноза — это частость реализации прогноза с погрешностью более заданной. В теории частость ошибки до 30% подтверждает высокое качество прогноза.

Достоверность прогноза может быть ожидаемой, прогнозируемой (априорной), а также фактической (апостериорной), рассчитанной после истечения периода прогнозирования на основе накопленных фактических данных за этот период.

Необходимо отличать понятие погрешности (ошибки) прогноза от понятия ошибки статистической модели (аппроксимации). Вторая выражает степень приближения модели к фактическим данным в период предыстории, в то время как первая — возможное в будущем отклонение фактических данных от прогноза.

5. Ретроспективная проверка и корректировка прогноза — это пересчет и внесение (при необходимости) изменений в прогноз до истечения срока его действия (горизонта прогноза) при изменении ситуации и/или отклонении фактической динамики от прогнозируемой. Корректировка может проводиться в любой момент, но обязательным является анализ динамики и принятие решения о проведении или непроведении корректировки по истечении половины срока прогноза.

6.1.2. Эвристическая методика предсказания динамики цен на рынке жилой недвижимости

В условиях стартующего, хаотического рынка в первую очередь были востребованы (и наиболее широко используются по настоящее время) экспертные предсказания — наименее формализованный метод, вызывающий обоснованное доверие в случае высказываний опытных экспертов о качественных тенденциях рынка (обычно в краткосрочном периоде — несколько месяцев), но и вызывающий неудовлетворенность специалистов и потребителей прогнозов при попытках дать количественные оценки.

Несмотря на то, что первые формализованные, расчетные прогнозы (среднесрочные — на 1–3 года) появились уже в 1995 г. [90, 93, 98], до настоящего времени продолжается развитие и совершенствование методов прогнозирования на отечественном рынке.

Применяемые для прогнозирования методы весьма разнообразны, но в общем виде могут быть разделены на методы, основанные двух крайних подходах: эвристическом (логико-аналитическом), или фундаментальном анализе, и математическом, или техническом анализе. По нашему мнению, наиболее эффективными и обладающими наибольшей прогностической способностью являются комбинированные методы, включающие в себя элементы обоих этих подходов.

Технический анализ (прогнозирование на основе статистических рядов) — набор эмпирических правил и моделей, основанных на различного рода индикаторах поведения рынка.

Прогнозирование экономических процессов состоит из следующих этапов:

— постановка задачи и сбор необходимой для прогнозирования информации, первичная обработка исходной информации;

— определение возможных моделей прогнозирования, оценка параметров рассматриваемых моделей, проверка адекватности выбранных моделей;

— расчет характеристик моделей;

— анализ полученных результатов прогноза.

Метод технического анализа необходимо сочетать с методом фундаментального анализа — выявления и анализа статистики фундаментальных факторов, определяющих поведение рынка (объемы строительства и предложения, объемы спроса, доходность инвестиций и т. д.) и логическое и/или математическое определение результирующего поведения прогнозируемого показателя. Только сочетание, совместное рассмотрение результатов технического и фундаментального анализа может обеспечить успех прогнозирования на рынке недвижимости.

Эвристический подход (простейший вариант фундаментального анализа) к прогнозированию цен на объекты недвижимости состоит в логическом, использующем как количественные, так и качественные данные, анализе факторов, формирующих тенденции изменения цен (арендных ставок), и выявлении результирующей тенденции.

Методика, основанная на эвристическом подходе, включает следующие этапы:

— анализ состояния рынка недвижимости в стране и данном городе, определение достигнутой стадии его развития;

— изучение прогнозов изменения экономической и политической ситуации в стране и выявление основной долгосрочной тенденции динамики цен и арендных ставок;

— анализ специфических характеристик и социально-экономических условий города, региона и определение среднесрочных тенденций отклонения темпов роста цен от основной тенденции;

— анализ макроэкономических (рост ВВП И ВРП, доходов населения, безработицы и т. д.) и макрофинансовых (инфляция, курс доллара) показателей и прогнозов их изменения и корректировка прогноза ценовой ситуации;

Первая работа, посвященная прогнозированию на зарождающемся рынке недвижимости России, содержала две методики, работающие совместно: эвристическую и математическую, основанную на регрессионно-статистической модели [90].

В январе — феврале 1995 г., когда проводилось цитируемое исследование, цены на рынке жилья Москвы выросли с июня 1990 г. с 100 до 1120 $/кв. м и находились в стадии роста (рис. 36).

Рис. 36. Динамика средних удельных цен на рынке жилья Москвы (июнь 1990 — декабрь 1994 г.)

Поэтому любая, даже самая удачная по статистическим критериям аппроксимация давала прогноз дальнейшего роста цен (рис. 37).

Рис. 37. Аппроксимация динамического ряда цен на жилье в Москве различными функциями (июнь 1990 — март 1995 г.)

Однако сбор и анализ информации о фундаментальных факторах ситуации на рынке (резкое повышение объема предложения вследствие приватизации жилья) и в экономике (начало стабилизации) позволил с помощью эвристической методики получить качественный прогноз о намечающемся переломе тенденций и переходе рынка в стадию стабилизации. Основной вывод сводился к следующей констатации: экономические показатели и доходы населения падают, а цены на жилье растут. Причиной этого феномена являлось незначительное предложение на рынке в начале перехода от «не рынка» к легальному рынку: приватизация квартир только начиналась, но достаточно быстро сформировался узкий слой зажиточных людей. Средняя цена продажи начиналась с 100 $/кв. м и к декабрю 1994 г. выросла до 1120 $/кв. м. Спрос начал снижаться. Отсюда качественный эвристический прогноз: прекращение роста цен.

Эта гипотеза была использована в методике, основанной на регрессионной статистической модели.

6.1.3. Регрессионное моделирование динамики цен на основе гипотезы о характере динамики стартующего рынка

Статистический метод состоит в использовании динамического ряда значений уровня цен для построения статистической модели процесса и получении на ее основе экстраполяционного прогноза. Однако его применение требует накопления статистических данных о динамике показателя за период предыстории, превышающий по крайней мере три периода прогнозирования. Кроме того, его применение эффективно в стационарных процессах с монотонной динамикой, и при этом экстрополяционные уравнения (даже лучшие из них типа ARIMA), обеспечивая малую погрешность прогноза, не исключают высокую вероятность ошибки в случае перелома тенденции (рис. 38).

Рис. 38. Два типа реакции динамических систем на ступенчатое воздействие

Если вид уравнения регрессионной модели задан аналитиком не подбором подходящего сглаживания, а исходя из гипотезы о возможном характере протекания моделируемого процесса, то такая модель может иметь значительную прогностическую способность.

Для моделирования динамики вторичного рынка жилья в Москве, Твери, Екатеринбурге, Рязани, Барнауле в 1995 году была предложена логистическая модель вида

V (Т) = А / (1 + ехр (B — CT)),

где V— средняя за период (среднемесячная) цена 1 кв. м общей площади объекта;

Т — порядковый номер периода (месяца);

А, В и С — постоянные коэффициенты (параметры модели).

Подобная логистическая модель используется в теории систем автоматического регулирования для любого переходного процесса (изменение некоторого параметра системы при ее переходе из одного состояния в другое под внешним воздействием). И если рынок представляет собой самонастраивающуюся, саморегулируемую систему, то его развитие должно подчиняться подобной закономерности, и эта закономерность является общей как для технических, так и для социально-экономических систем.

Возможны два характерных типа реакций динамических систем от ступенчатого воздействия: колебательная (периодическая, или по терминологии теории автоматического регулирования технических систем «с перебегом» — сценарии 1 и 2 на рис. 38) и асимптотическая (апериодическая, или «с доползанием» — сценарий 3). Конкретная реакция зависит от параметров системы.

Результаты моделирования и прогноза динамики цен в Москве (колебательная стабилизация с перебегом), Санкт-Петербурге, Екатеринбурге и Твери (асимптотическая стабилизация с доползанием) показаны на рис. 39–40.

Рис. 39. Динамика средних удельных цен на жилье в Москве и Санкт-Петербурге в июне 1990 — декабре 1994 г. и прогноз до декабря 1998 г. по логистической модели

Рис. 40. Динамика средних удельных цен на жилье в Екатеринбурге и Твери в июне 1990 — декабре 1994 г. и прогноз до декабря 1998 г. по логистической модели

Данная модель успешно применялась другими авторами для прогнозирования динамики количества ипотечных сделок в период зарождения рынка ипотеки в Москве (рис. 41) [99], динамики цен в период выхода из кризиса рынка жилья Казани (рис. 42) [133].

Рис. 41. Прогнозирование динамики ипотеки в Москве на 2006 г.

Рис. 42. Прогнозирование динамики изменения среднемесячной цены предложения на первичном рынке жилья г. Казани в период посткризисного развития

В октябре 2000 года, через два года после начала кризиса, была построена новая модель (аналогичная модели выхода самолета из пике) вида

V = B0–B1 / (B2+exp ((B3 × Т + B4)×2)).

Эта модель использовалась при прогнозировании динамики цен в Москве на 2001 и 2002 гг. (рис. 43). Модель дала прогноз высокой точности о переходе рынка к росту в 2001 г. и к стабилизации к середине 2002 г., после чего началась новая стадия роста, не предсказанная моделью.

Модель

V = B0-B1/(B2+exp((B3×Т+B4)2))

Рис. 43. Прогнозирование ценовой динамики в Москве на 2002 г.

Применение этих моделей подтвердило, что при высокой прогностической способности в среднесрочном периоде они обладают существенным ограничением: после перехода системы в новое состояние модель описывает стабилизацию и не предсказывает то или иное изменение трендов.

6.2. Развитие методов прогнозирования на рынке недвижимости России в нулевые годы

6.2.1. Методы статического (пространственно-параметрического) прогнозирования

а) Прогноз средней удельной цены на жилую недвижимость в удаленном городе Московской области

В нулевые годы активно развивались методы статического (пространственно-параметрического) прогнозирования.

Например, исследование пространственно-параметрической модели рынка жилья городов Московской области [100] позволило выявить закономерность снижения средних удельных цен на жилую недвижимость при удалении от Московской кольцевой автодороги (МКАД) по выборке из 72 населенных пунктов, которая хорошо объясняется известным в экономической географии законом уменьшения притяжения мегаполиса обратно пропорционально расстоянию до него. Исходя из данной гипотезы, с помощью регрессионного уравнения статистической связи цен на жилье с удалением от МКАД был дан пространственно-параметрический прогноз уровня цен за пределами изученной статистики, в одном из самых удаленных городов — Зарайске (рис. 44).

Рис. 44. Зависимость удельной цены жилья от удаленности от МКАД

б) Модель спроса и предложения на российском рынке жилой недвижимости

Фундаментальным продвижением методологии моделирования и параметрического прогнозирования рынка недвижимости является работа, в которой сформированы уравнения спроса и предложения на рынке жилья [42].

Спрос разделен на две составляющие — спрос домохозяйств и спрос инвесторов.

Уравнение спроса на жилье со стороны домохозяйств Dht выглядит следующим образом:

, (46)

где incomet — реальный доход домохозяйства, выраженный в рублях;

area_fitt — суммарный запас жилищного фонда на душу населения за вычетом ветхого и аварийного жилья.

Обратная функция спроса со стороны домохозяйств, которая используется для эмпирических расчетов, записана в виде:

, (47)

где cpit — темп инфляции;

startt — предложение жилья на первичном рынке.

Уравнение спроса со стороны инвесторов DtInvest:

, (48)

где DtInvest — спрос на новое жилье со стороны инвесторов;

ind_PHt — темп роста цен на жилье;

ind_PHexpt+1 — ожидаемый темп роста на жилье в следующем периоде;

π expt+1 — ожидаемая инфляция будущего периода;

PAexpt+1 — ожидаемая доходность от альтернативных инвестиций;

creditt — переменная, характеризующая доступность кредита.

Обратная функция спроса со стороны инвесторов на первичное жилье имеет вид:

, (49)

где ind_PHtInvest — отношение цен на жилье в текущем периоде к ценам на жилье в базисном периоде;

invhousest — доля (в процентах от общего объема) инвестиций в жилье — proxy-переменная для доходности от покупки жилья; характеризует ожидаемый темп роста цен на жилье в будущем периоде ind_PHexpt+1;

startt — предложение жилья на первичном рынке;

rtst — прирост в процентах по отношению к прошлому году индекса РТС.

Предложение жилья со стороны строительных фирм:

, (50)

где ind_PHtexp и ind_PEstexp — ожидаемые рост цен на жилье и рост цен на недвижимость другого рода в период t, сформированные в прошлом периоде;

ct — издержки строительства (например, зарплата рабочих в строительной отрасли, стоимость строительных материалов).

Линеаризованная форма уравнения предложения имеет вид:

, (51)

где startt — предложение нового жилья в момент времени t;

ind_PHt — темп роста цен на жилье в предыдущих периодах;

invbuildst-1 — доля инвестиций в нежилое строительство (здания и сооружения) как proxy-переменная для доходности строительства нежилых объектов;

pi_bcwt-1 — индекс стоимости строительно-монтажных работ в качестве proxy-переменной для зарплаты рабочих, занятых в строительстве.

Таким образом, темп роста цен на жилье имеет вид:

(52)

Рассматриваемые модели спроса и предложения учитывают следующие факторы рынка недвижимости: темп роста цен на жилье; ожидаемая инфляция будущего периода; ожидаемая доходность от альтернативных инвестиций; степень доступности кредитных средств; предложение жилья на первичном рынке; прирост по отношению к прошлому году индекса РТС; реальный доход домохозяйства; суммарный запас жилищного фонда на душу населения; издержки строительства; доля инвестиций в нежилое строительство; стоимость строительно-монтажных работ.

При всей ценности данной работы в теоретическом отношении, в прагматическом аспекте необходимо отметить, что использование полученных авторами уравнений спроса и предложения для динамического прогнозирования требует, как и в случае обычных регрессионных многофакторных моделей и нейросетевых моделей, предварительного прогноза динамики каждого из рассматриваемых факторов, что зачастую нереализуемо.

в) Прогноз среднего уровня арендных ставок на офисные помещения в городах России по данным о средней удельной цене жилой недвижимости

Практика применения методологии массовой оценки объектов недвижимости на основе построения кластерных (дискретных) пространственно-параметрических моделей рынка (ДППМ) показала, что эта методология хорошо работает на относительно развитых рынках, к которым можно отнести:

— вторичные и первичные рынки жилой недвижимости крупных и средних городов;

— вторичные рынки купли-продажи и аренды жилой недвижимости малых населенных пунктов, а также загородной недвижимости, с достаточным объемом предложения помещений;

— вторичные рынки купли-продажи и аренды коммерческой недвижимости в крупных и средних городах.

В то же время узкие рынки аренды коммерческой недвижимости в малых населенных пунктах, где предложение на рынке содержит единичные помещения, не поддаются статистическому анализу.

Особо обостряется данная проблема в случае необходимости охвата широкого перечня населенных пунктов России. Кроме названного затруднения, здесь возникает проблема несоответствия между ожидаемыми трудозатратами на сбор и обработку данных и достигаемыми результатами.

В связи с этим была разработана методика определения ставок аренды коммерческой недвижимости на узких рынках, при отсутствующем или минимальном предложении [101]. Идея методики состоит в поиске экономически обоснованной и статистически подтвержденной связи средних по городу ставок аренды с фактором, определение которого не вызывает затруднений. В качестве такого фактора выбрана средняя по городу удельная цена жилой недвижимости.

В качестве исходных данных о ставках аренды помещений коммерческой недвижимости использовались базы предложения офисных помещений в аренду в апреле 2015 г. Всего были собраны базы по 14 городам с общим количеством помещений, предлагаемых в аренду — 32 129 шт. (табл. 15).

Таблица 15

Объем данных о предложении офисных помещений в аренду

Фрагмент базы данных приведен в табл. 16.

Таблица 16

Фрагмент исходной базы данных предложения офисных помещений в аренду в городе Пермь в апреле 2015 г.

Стерник Г.М., Стерник С.Г. Методология моделирования и прогнозирования жилищного рынка. Монография

Стерник Г.М., Стерник С.Г. Методология моделирования и прогнозирования жилищного рынка. Монография

В настоящей монографии изложена методология моделирования и прогнозирования жилищного рынка, в создании и развитии которой авторы принимали участие прошедшие 25 лет новейшей истории рыночной экономики России. Основополагающим тезисом при этом являлось мнение академика В. В. Ивантера о том, что экономическое прогнозирование – это не только ответ на вопрос «что будет?», но и в первую очередь на вопрос «что будет, если…», т. е. попытка оценить последствия какого-либо действия или бездействия власти, бизнеса и общества.<br /> Книга включает 9 разделов, в которых даются основные термины и определения, описывается рынок недвижимости как самоуправляемая система и объект моделирования, анализируется зарубежный опыт прогнозирования рынков жилья, излагаются сведения об источниках данных для моделирования рынка недвижимости в РФ и методология их обработки, результаты исследования закономерностей функционирования отечественного жилищного рынка, описывается эволюция методов прогнозирования отечественного рынка в условиях становления и развития рыночной экономики России, излагаются авторские методики углубленного исследования рынка недвижимости, приводится методика комплексного среднесрочного прогнозирования локального рынка жилой недвижимости на основе имитационной блочно-модульной итерационной модели развития рынка, анализируется опыт прогнозирования рынка жилой недвижимости Москвы при различных макроэкономических сценарных условиях на 2011–2014 гг. и на 2014–2020 гг.<br /> Монография предназначена как для широкого круга профессионалов рынка недвижимости, так и для современных аналитиков-прогнозистов объективных циклических процессов в макроэкономике, отраслевой и региональной экономике России.

Внимание! Авторские права на книгу "Методология моделирования и прогнозирования жилищного рынка. Монография" ( Стерник Г.М., Стерник С.Г. ) охраняются законодательством!