Факторы, характеризующие рынок жилья и жилищного строительства:

4) Коэффициент Доступности Жилья (КЖД) (ACC). Среднегодовой коэффициент доступности жилья по сути является отношением произведения средней стоимости цены на кв. метр и площади жилья к произведению среднедушевого дохода и количества человек на 1 жилую площадь. Это значит, что чем выше данный коэффициент, тем менее доступным является жилье, так как по факту показывает, сколько лет необходимо копить на жилье для покупки из собственных средств. С одной стороны, чем доступнее жилье, тем меньше необходимость в ссудах и ипотечном кредитовании для покупки жилья; а когда оно недоступно (показатель выше) - появляется необходимость в финансовой помощи. С другой стороны, возможна ситуация, когда в условиях недоступности жилья, покупатели не смогут позволить себе и выплачивать ипотеку, поэтому уменьшение доступности может снизить объемы ипотеки.

5) Ввод жилья на душу населения, кв.м./чел (NHC), общая площадь введенного жилья, приходящаяся в среднем на одного жителя. Ожидается положительный эффект, который наблюдается в большинстве исследований. К примеру, работа Едроновой и Буровой (2015) говорит о том, что эффект сильно значим и положителен.

Макроэкономические и микроэкономические факторы:

6) Уровень безработицы, (UNEML) в среднем за год, в процентах. Безработица негативно влияет на возможность приобретения недвижимости, а также на вероятность того, что безработному будет одобрена заявка по ипотеке. Потенциальный заемщик, у которого на данный момент нет работы - критически оценивает свои доходы в будущем, поэтому при прочих равных предпочитает не брать ссуду, так как не может рассчитывать на регулярные доходы для погашения займа. Исследование Mogaka, Mboya, Kamau. (2015) указывает на значимость данного фактора.

7) Номинальный среднедушевой доход (INC), выраженный в рублях. Представляет собой частное от деления общей суммы годовых номинальных доходов на численность людей в исследуемой группе. http://dic.academic.ru/dic.nsf/business/4265 Ожидается положительная связь, так как при положительной динамике доходов, домохозяйства предпочитают инвестировать их в недвижимость. Кадочникова Е.И., Самерханова А.А. Отечественный рынок ипотечного кредитования как индикатор благосостояния: эконометрическая оценка //Проблемы современной экономики. - 2015. - №. 1 (53) Люди с высоким доходом могут позволить себе во-первых, приобрести жилье, в том числе дополнительное, а также имеют возможность выплачивать проценты.

8) Фиктивная переменная, принимающая значение 1 в период функционирования программы "Ипотека с государственной поддержкой" (с марта 2015 по март 2016 гг.), 0 - в ином случае. Данная переменная позволит оценить непосредственное и совместное влияние некоторых переменных в период функционирования государственной программы. Ожидается, что данный фактор, учитывая экономическую ситуацию в стране - способен положительно повлиять на объемы ипотеки. Новые более выгодные условия и так сами по себе привлекательны, а в кризисных условиях, когда жилье является эффективной инвестицией - влияние более выгодных условий становится еще актуальнее.

Также предполагается, что введение программы способно изменить чувствительность эндогенной переменной в период функционирования программы к следующим факторам: PER, INC, ACC, UNEMPL. Подразумевается, что совместное влияние программы с каждым из этих факторов окажется значимым. Так например, если длительный срок кредитования по определенной ставке способен заставить потенциального заемщика отказаться от ипотеки, но новые более выгодные условия способны перевесить его нежелание выплачивать долг столь длительного срока. Аналогично, если до введения программы проценты составляли слишком большую долю от дохода, то в новых условиях эта доля относительно меньше и поэтому низкие доходы могут в меньшей степени влиять на выбор в пользу займа. Что касается доступности жилья, то программа может усилить зависимость, стимулировав потребителей взять выгодную ипотеку в условиях недоступности жилья, так как самостоятельно накопить они не в силах. Привлекательность займа возможно также может изменить желание тех, у кого нет постоянного дохода на данный момент.

Также не стоит забывать, что действие программы предполагалось быть завершенным в марте 2016 года. А то есть у населения были все основания предполагать, что после завершения программы, ставка может снова повыситься. Данные ожидания, способны стимулировать желание взять ипотеку.

3.3 Общий вид модели и постановка гипотез

В работе будет выявлен эффект приведенных выше факторов.

Можно сформулировать следующие гипотезы касательно влияния введения программы на объемы кредитования.

Гипотеза 1. Введение программы "Ипотека с государственной поддержкой" положительно влияет на объемы ипотечного кредитования.

Гипотеза 2. В период функционирования программы "Ипотека с государственной поддержкой" ипотечное кредитование стало доступнее для людей с относительно меньшим доходом, чем до введения программы.

Гипотеза 3. В период функционирования программы "Ипотека с государственной поддержкой" при уменьшении доступности жилья (росте показателя ACC) чувствительность от данного фактора увеличивается, а то есть происходит более значительное увеличение объема ипотечных кредитов, чем до введения программы.

Гипотеза 4. В период функционирования программы "Ипотека с государственной поддержкой" уровень безработицы оказывает меньшее влияние на объемы кредитования, чем до введения программы.

Гипотеза 5. В период функционирования программы "Ипотека с государственной поддержкой" при увеличении срока кредитования происходит менее значительное уменьшение объемов кредитования, чем до введения программы.

Ниже приведен общий вид моделей, на основе которых будет осуществлена проверка выдвинутых гипотез данного исследования.

Модель для проверки влияния факторов, без учета госпрограммы:

log(MOR_it = б + в₁*INT_it + в₂*PER_it + в₄*log(VAL)_it + в₅*ACC_it + в₆*NHC_it + в₇*UNEMPL_it + в₈*log(INC)_it +е_{it (1)}

Модель для проверки влияния факторов, совместно с госпрограммой, гипотез 1-5:

log(MOR_it = б + в₁*INT_it + в₂*PER_it + в₄*log(VAL)_it + в₅*ACC_it + в₆*NHC_it + в₇*UNEMPL_it + в₈*log(INC)_it + в₉*Dgov_it + в₁₀*Dgov*PER_it + в₁₁*Dgov*log(INC)_it + в₁₂*Dgov*ACC_it + в₁₃*Dgov*UNEMPL_it + е_{it (2)}

3.4 Описательные статистики и визуальный анализ данных

Для лучшего понимания исследуемых данных, необходимо провести визуальный и статистический анализ выборки. В первую очередь нас интересует вопрос гетерогенности выборки - действительно ли важно использовать модель панельных данных. С этой целью были построены графики средних значений показателей для каждого региона. Красная горизонтальная линия - средний уровень по всей стране (рис.7).

Как мы видим, наибольший объём ипотечного кредитования приходится на Москву, Московскую область и Санкт-Петербург. Наименьшие объёмы приходятся на Руспублику Ингушетия, Чукотский АО, Чеченскую Республику и ряд других субъектов Российской Федерации. В целом по данному показателю наблюдается крайняя гетерогенность. Среднее значение по всей стране - 1077 млн. р.



Рисунок 7. Объем ипотечного кредитования по регионам. Источник: ahml.ru

Наибольшая заработная плата представлена в Ненецком АО, Ямало-Ненецком АО и Москве. (59163, 50065 и 48357 рублей, соответственно). Лидерство Москвы как столицы, очевидно, а высокий уровень доходов в данных автономных округах объясняется тем, что именно здесь добывается большая часть нефти и газа в стране. Среднее значение заработной платы по стране равно 20534 рубля в месяц (рис.8).



Рисунок 8. Средняя заработная плата по регионам. Источник: gks.r

Неудивительно, что наибольшая средняя стоимость 1 кв.м. в Москве. Следом идёт Санкт-Петербург, Московская область, Сахалинская область и Ненецкий АО. В целом, средняя стоимость 1 кв.м. достаточно гомогенна, если исключить первые 5-9 наблюдений. Средняя стоимость 1 кв.м. равна 44622 рублей (рис.9).



Рисунок 9. Средняя стоимость 1 кв.м.. по регионам. Источник: ahml.ru

Ввод жилья на душу населения показывает, сколько квадратных метров жилья было построено на одного человека за соответствующий период. Больше всего жилья строится в Московской области - в среднем за период вводится порядка 2000 кв.м. жилья. Тем не менее, ближайшее значение по данному показателю (порядка 1000) у Краснодарского края. Среднее значение - 216, что почти в 10 раз меньше показателя по Московской области.



Рисунок 10. Ввод жилья на душу населения по регионам. Источник: ahml.ru

Среднее значение доступности жилья - 3.46. Данный показатель достаточно гомогенен, если сравнивать его с предыдущими (рис.10).



Рисунок 10. Коэффициент доступности жилья по регионам. Источник: ahml.ru

Остальные показатели, для которых не были приведены графики (INT, PER, UNEML) не сильно отличаются от субъекта к субъекту. Средние значения по этим показателям равны 12.8, 185 и 5.9, соответственно.

Перед тем как приступить к описанию методологии регрессионного анализа, необходимо проверить корреляционную зависимость между исследуемыми переменными. Некоторые переменные взяты в логарифмах. Мотивация логарифмирования будет объяснена далее. Корреляционная матрица имеет следующий вид:

Таблица 2. Корреляционная матрица.

	Ln(MOR)	PER	INT	UNEML	Ln(VAL)	ACC	Ln(INC)	NHC
Ln(MOR)
PER	-.203
INT	-.185	-.059
UNEML	-.4	.339	.251
Ln(VAL)	.526	-.232	.047	-.0276
ACC	-.147	.031	.077	.32	.071
Ln(INC)	.466	-.0177	.001	-.4	.739	-.387
NHC	.489	-.098	-.019	-.097	.327	-.026	.255

Из данной таблицы видно, между объясняющими переменными нет сильной корреляционной зависимости, за исключением переменных Ln(VAL) - Ln(INC) и ACC - Ln(INC). Положительная корреляция между показателями Ln(VAL) - Ln(INC) может быть объяснена следующим образом: чем больше люди зарабатывают, тем больше денег они могут тратить на покупку квартир, тем выше будет стоить 1 кв.м. Такая сильная корреляция может привести к мультиколлинеарности, следствием которой является искажение результатов оценивания моделей. Отрицательная корреляция между уровнем дохода и коэффициентом доступности жилья связана с тем, что доход является составляющей частью знаменателя формулы доступности жилья.

3.5 Методология анализа

ипотека кредитование субсидирование

Так как исследуемые данные представляют собой панель, то необходимо использовать специфический инструментарий, а именно: pooled model, fixed effect model и random effect model.

Pooled model - модель сквозной регрессии. В общем случае модель выглядит следующим образом:

(3)

где:

· вектор-строка значений регрессора;

· коэффициенты регрессии, которые не меняются для регионов и периодов;

· - нормальные ошибки, удовлетворяющие условиям теоремы Гаусса-Маркова.

Данная модель является базовой и не учитывает различий между регионами и/или периодами. Если все предположения о модели выполнены, то оценки, полученные обычным Методом наименьших квадратов, являют состоятельными.

Fixed effect model (FE model) - модель регрессии с детерминированными индивидуальными эффектами. В общем случае модель выглядит следующим образом:

(4)

Заметим, что pooled model и FE model отличаются лишь наличием индекса i у константы . Данная спецификация модели позволяет учитывать индивидуальные ненаблюдаемые эффекты, характерные для отдельных регионов. Использование FE модели позволяет учесть гетерогенность выборки, позволяя получить более точные оценки. В случае, когда индивидуальные эффекты действительно имеют место быть, то оценки FE модели являются состоятельными (в отличие от оценок pooled модели). Тем не менее, добавление дополнительных параметров несколько уменьшает точность получаемых оценок. Оценка производится методом наименьших квадратов.

Random effect model - модель регрессии со случайным индивидуальным эффектом. В общем случае, модель выглядит так:

(5)

,

где - индивидуальная случайная ошибка для каждого региона, причём дисперсия этой случайной ошибки разная для разных регионов. Она является гауссовской и имеет нулевое математическое ожидание. Добавление индивидуальной случайной компоненты позволяет не только учитывать индивидуальные особенности регионов, но и позволяет получить более точные (эффективные) оценки. Модель со случайным индивидуальным эффектом находится между FE моделью и сквозной регрессией.

Для того, чтобы проверить необходимость учёта индивидуальных эффектов (а именно необходимость использования FE модели вместо сквозной) необходимо проводить стандартный F-тест. Пусть имеется сбалансированный набор данных, состоящий из T периодов и N регионов. По данному набору данных оцениваются Pooled model (K параметров, включая константу-пересечение) и FE model (K+N-1 параметров, так как одна константа-пересечение заменяется на N региональных дамми). Полученные оценённые модели используются для получения показателей и - сумма квадратов остатков, которые используются для получения тестовой статистики следующего вида:

(7)

Данная статистика имеет распределения Фишера с (N-1) и (NT-(K+N-1)) степенями свободы. Если полученная статистика достаточно велика (P-value низок), то предпочтительно использование FE модели. В противном случае Pooled model лучше.

Сравнение между Pooled model и RE model происходит с помощью теста Бройша-Пагана (Lagrange Multipliers). Основной гипотезой данного теста является отсутствие случайного индивидуального эффекта, то есть для всех i. Если данная гипотеза не отвергается, то вместо RE model предпочтительнее использовать Pooled model.

Для тестирования разницы между FE и RE моделями используется тест Хаусмана. Основная идея данного теста заключается в тестировании асимптотической разницы между оценками двух моделей. Если после проведения теста можно утверждать, что никакой асимптотической разницы нет, то обычно используется RE модель. В этом случае оценки являются не только состоятельными, но и более точными (оценки RE модели будут эффективнее оценок FE модели). Данный тест проверят коррелированность индивидуальных ошибок и регрессоров. Если корреляции нет, то оценки RE модели состоятельны.

Забегая вперед, исходя из результатов проверки, оценки модели FE признаны единственными состоятельными среди всех трёх оцениваемых моделей. Тем не менее, необходимо проверить полученные результаты на наличие гетероскедастичности и серийной корреляции. Данные изъяны не делают оценки несостоятельными, но сильно искажают оценку ковариационной матрицы, а значит, полученным выводам нельзя доверять. Существует ряд процедур-поправок ковариационной матрицы, более детально рассмотренные в работе Ратниковой и Фурманова (2014), где также можно найти детальное описание используемых в работе тестов. В данной работе будут использованы тесты Бройша Пагана на гетероскедастичность и тест Вулдриджа на серийную корреляцию.

3.6 Регрессионный анализ

Анализ будет проводиться в два шага. Первый делом будет оценена модель без учёта влияния ипотеки с государственной поддержки, после чего исследуемое влияние будет учтено.

В общем виде модель выглядит следующим образом:

(8)

Выбор функциональной зависимости обусловлен выбором модели (pooled, FE, RE) и различается, по своей сути, разным моделированием константы-пересечения. Переменная либо вообще не учитывается (при первой спецификации), либо перекрёстно умножается на переменные PER, INC, ACC, UNEMPL.

Использование логарифмов позволяет оценить эластичность объёма ипотечного кредитования по доходам и стоимости 1 кв.м. Так, увеличение дохода на 1 процент приведёт к увеличению объёма кредитования на количество процентов, равное оцененному параметру перед переменной . Более того, увеличение, например, процентной ставки на 1 п.п. приводит к увеличению объёма кредитования на количество процентов, равное соответствующему оценённому параметру.

Рассмотрим результаты оценивания модели без учёта влияния программы поддержки ипотеки. Первым делом, был проведён ряд тестов для выбора правильной спецификации модели. Результаты тестов можно увидеть в табличке ниже (табл.3):

Таблица 3. Результаты тестов для правильной спецификации модели без учета программы господдержки.

	Pooled vs. RE	Pooled vs. FE	FE vs. RE
Значение статистики	chisq = 158850	F = 405.47	chisq = 147.31
P-value	< 2.2e-16	< 2.2e-16	< 2.2e-16

Тест Бройша-Пагана не отвергает наличие индивидуальных случайных эффектов. P-value данного равно машинному нулю, а значение тестовой статистики просто огромно. Более того, необходимость использования индивидуальных эффектов подтверждает F-test, сравнивающий Pooled и FE модели. Тест Хаусмана даёт право утверждать, что оценки FE и RE моделей асимптотически не одинаковы, что говорит о лучшем качестве оценок FE модели. Таким образом, для дальнейшего анализа используется FE модель.

Результаты оценивания FE модели приведены в следующей таблице (табл.4):

Таблица 4. Результаты оценивания F-модели, без учета программы господдержки.

Коэффициент	Знач	Стд. Откл.	t-знач	P-value
INT	-1.129	6.32-03	-20.5	0 ***
PER	-0.002	3.71-04	-5.42	0 ***
Log(VAL)	0.906	1.44-01	6.28	0 ***
ACC	-0.084	3.43-02	-2.43	0.014 **
NHC	0.0001	2.56-05	4.47	0 ***
UNEML	-0.37	1.04-02	-35.5	0 ***
Log(INC)	0.618	1.38-0.1	4.46	0 ***
				0.7143
				0.7031
Уровень значимости: *** - 0, ** - 0,001, * - 0,01, . - 0,05

Что касается коэффициентов, то большинство показателей имеют ожидаемый знак. Хотелось бы отдельно отметить поведение коэффициента цены, который положительно влияет на объемы. Это, во-первых, может быть объяснено следующим образом: люди, вынужденные брать ипотеку, будут её брать и при высокой цене за квадратный метр. Более того, именно высокие цены, которые потребители не могут покрыть из собственных средств, вынуждают брать ипотеку. При более высокой цене за квадратный метр сумма кредита будет выше, что и объясняет положительную направленность данного показателя. Некоторые исследования указывают на положительную связь. Например, в работе, где исследуется взаимосвязь между ценами на недвижимость и объемом ипотечных ссуд на коммерческую недвижимость. Davis и Zhu (2004) пишут: " С точки зрения банка - он вовлечен на рынок не только со стороны владения собственностью, но и обеспечением займов, обеспеченными жильем. Изменения в ценах на жилье будут иметь огромное влияние на качество активов банка и таким образом на кредитоспособность. Банки будут выдавать больше займов связанных с недвижимостью на более дешевых условиях, когда цены на жилье высокие." Также, Зарецув и Коровина (2007) в своей работе отмечают, что положительная корреляция возможна: "рост ипотечного кредитования идет на фоне непрерывного роста цен на жилье", из-за инфляции. Более того они говорят, что рост цен служит индикатором развития ипотеки, растущий спрос на жилье приводит к росту цен, в некоторой степени.

Если мы посмотрим на значения t статистик, то увидим, что они крайне велики по модулю. Такое поведение статистик может быть связанно как с гетероскедастичностью, так и с серийной корреляцией. Для тестирования этих изъянов были проведены соответствующие тесты. Тест Бройша Пагана не отвергает наличие гетероскедастичности (BP = 8303.8, df = 89, p-value < 2.2e-16), тест Вулдриджа не отвергает наличие серийной корреляции (chisq = 41.431, p-value = 1.221e-10). Таким образом, полученные значение t статистик являются искажёнными. Чтобы получить результаты, которым можно доверять, используется поправка Arellano, которая привела к следующим результатам (табл.5):

Таблица 5. Результаты оценивания F-модели, без учета программы господдержки, с поправкой Arellano.

Коэффициент	Знач	Стд. Откл.	t-знач	P-value
INT	-1.129	4.59-02	-2.82	0.004 **
PER	-0.002	3.26-03	-0.61	0.53
Log(VAL)	0.906	5.94-01	1.52	0.12
ACC	-0.084	1.76-01	-0.47	0.63
NHC	0.0001	7.19-05	1.66	0.09 .
UNEML	-0.37	4.35-02	-8.5	0 ***
Log(INC)	0.618	5.84-01	1.05	0.29
				0.7143
				0.7031

Как мы видим, учёт гетероскедастичности и серийной корреляции сильно изменил результаты - теперь значимо влияние средневзвешенной процентной ставки и безработицы, существует слабая (на 10-процентном уровне значимости) зависимость между вводом жилья на душу населения и объёмом выданных кредитов.

На данном этапе анализа будет не лишним вспомнить про потенциальную мультиколлинеарность между переменными Ln(VAL) - Ln(INC) и ACC - Ln(INC). Наличие мультиколлинеарности искажает результаты регрессионного анализа. В качестве итоговой модели была оценена модель без цены (VAL) с использованием поправки Arellano (табл.6):

Таблица 6. Результаты оценивания F-модели, без учета программы господдержки и фактора VAL, с поправкой Arellano

Коэффициент	Знач	Стд. Откл.	t-знач	P-value
INT	-1.2986e-01	4.88-02	-2.55	0.0038 **
PER	-1.8816e-03	3.28-03	-0.57	0.566
Log(INC)	1.4196e+00	2.31-01	6.12	0***
ACC	-1.1722e-01	4.46-02	2.62	0.0086**
NHC	1.0606e-04	6.55-05	1.61	0.10
UNEML	-3.8124e-01	3.66-02	-10.39	0 ***
				0.7133
				0.7023

Действительно, удаление цены (VAL) из исходной модели привело к следующим результатам: коэффициенты перед переменными Log(INC) и ACC стали значимы, в целом качество регрессии упало незначительно. Таким образом, удаление данной переменной в целом улучшает качество результатов.

Как мы видим, увеличение средневзвешенной ставки по ИЖК уменьшает объём кредитования на 0.129 процента. Связь логична, ведь по сути ставка представляет собой цену кредита, а при увеличении цены, потребители не хотят и иногда не могут покупать больше. Увеличение дохода на один процент приводит к увеличению объёма кредитования на полтора процента. Чем выше доход, тем легче будет выполнять обязательства перед банком, поэтому заемщики могут позволить себе ипотеку. Более того, чем выше доход - тем более дорогие квартиры могут себе позволить заемщики, а это значит увеличение объема займа. В субъектах с менее доступным жильём (высокого показателя ACC) берут меньше кредитов на ипотеку. В данном случае, можно предположить, что это происходит потому, что если люди не в состоянии накопить или не могут позволить себе сами купить жилье, то и выдержать долговой нагрузки, связанной с ипотекой, также не смогут. В регионах с низкой безработицей берут больше кредитов. Безработные, во-первых, сами не уверенны в своем будущем и будущих доходах, а с другой стороны и банки достаточно внимательно относятся к наличию работы и финансовому положению заемщиков. Также можно отметить слабую (значимую на уровне 10 процентов) связь между объёмом кредитования и вводом жилья на душу населения. Данные процессы взаимосвязаны: рост ИЖК идет в случае роста строительства. Если новое жилье вводится не будет, потребителям будет попросту нечего покупать при помощи ипотеки. Так, получается, что в субъектах с большим вводом жилья на душу населения берут больше кредитов по ипотеке.

Следующим шагом анализа является моделирование влияние государственной программы поддержки ипотеки. Для этой цели в модель были включены перекрёстные переменные вида , где под обозначаются PER, ACC, INC и UNEMPL.

Исследуемая зависимость лучше всего моделируется FE моделью. Результаты соответствующих тестов приведены в следующей таблице (табл.7):

Таблица 7. Результаты тестов для правильной спецификации модели с учетом программы господдержки.

	Pooled vs. RE	Pooled vs. FE	FE vs. RE
Значение статистики	chisq = 159210	F = 429.84	chisq = 194.18
P-value	< 2.2e-16	< 2.2e-16	< 2.2e-16

Оценённая модель была проверена на гетероскедастичность и серийную корреляцию. Неудивительно, что в данной спецификации снова были найдены эти изъяны (Тест Бройша Пагана:BP = 6718.8, df = 95, p-value < 2.2e-16; тест Вулджриджа: chisq = 32.681, p-value = 1.086e-08). По этой причине была оценена модель в поправкой Arellano (табл.8).

Таблица 8. Результаты оценивания F-модели, с учетом программы господдержки, с поправкой Arellano .

Коэффициент	Знач	Стд. Откл.	t-знач	P-value
INT	-0.07	0.047	-1.4949	0.13507
PER	-0.00267	0.00257	-1.0376	0.299
Log(VAL)	0.854	0.568	1.5020	0.113
ACC	-0.075	0.1645	-0.4562	0.648
NHC	9.5-05	5.84-05	1.6266	0.1038
UNEML	-0.339	0.036	-9.3837	0 ***
Log(INC)	1.085	0.574	1.8879	0.059.
Dgov	-0.3186	1.1429	-0.2788	0.78041
PER * Dgov	0.0027	0.003	0.8859	0.375
ACC * Dgov	\0.057	0.04	0.1415	0.887
UNEML * Dgov	0.305	0.042	7.1567	0***
Log(INC) * Dgov	-0.2082	0.097	-2.2666	0.0234*
				0.7337
				0.7213

Знаки коэффициентов исследуемых факторов не поменялись, однако большинство факторов оказались незначимыми.

Необходимо избавление от мультиколлинеарности. Оно происходило путем исключения одной из коррелирующих переменных (табл.9):

Таблица 9. Результаты оценивания F-модели, без учета программы господдержки и фактора VAL, с поправкой Arellano .

Коэффициент	Знач	Стд. Откл.	t-знач	P-value
INT	-0.0711	0.046	-1.5364	0.1244
PER	-0.00257	0.002	-0.9902	0.3221
Log(INC)	1.847	0.17	10.8373	0***
ACC	0.113	0.044	2.5782	0,009**
NHC	9.23-05	5.17-05	1.5656	0.117
UNEML	-0.348	0.0317	-10.9719	0 ***
Dgov	-0.6632	1.063	-0.6237	0.5328
PER * Dgov	0.002	0.003	0.7449	0.456
Log(INC) * Dgov	-0.19502	0.089	-2.1890	0.028*
ACC * Dgov	0.03742	0.035	1.0613	0.2885
UNEML * Dgov	0.3149	0.041	7.5031	0***
				0.7312
				0.719

После преобразования, свой знак поменял коэффициент при факторе коэффициента доступности жилья. Теперь высокий уровень коэффициента, а то есть высокий уровень недоступности (большее количество времени) положительно влияет на зависимую переменную. Такая зависимость говорит о том, что невозможность приобрести жилье склоняет население к тому, чтобы взять его в ипотеку.

3.7 Эмпирические результаты оценки рынка ипотечного кредитования

Таким образом, из исследования можно заключить, что значимыми факторами, оказывающими влияние на рост объемов ипотечного кредитования, являются среднедушевой доход (INC), доступность жилья (ACC) и уровень безработицы (UNEMPL). Положительный знак у коэффициента перед ACC (чем выше показатель, тем недоступнее жилье) можно объяснить тем, что невозможность самостоятельно накопить на покупку жилья заставляет людей получать ссуду для данных целей. Само по себе введение программы субсидирования ипотеки не оказывает непосредственного значимого влияния. Гипотеза 1 не подтвердилась. Возможно, это связано, что сегмент, на который она направлена, слишком узкий в масштабах всех объемов: ведь программа действует только на первичном рынке жилья и есть определенные ограничения на сумму займа. Однако, нужно заметить, что введение программы все-таки оказывает влияние, причем благоприятное. Значимыми оказались совместное влияние дохода и уровня безработицы совместно с госпрограммой, что соответствует гипотезам 2 и 4. Коэффициент перед Log(INC) * Dgov составляет -0.19502 и можно заключить, что если раньше увеличение дохода на 1 процент увеличивало объемы на 1.847 процента, то с введением программы влияние высокого дохода ослабло. То есть ипотека стала доступнее и для людей с более низкими доходами. До введения программы - а то есть в условиях более высоких процентных ставок, приходилось отдавать довольно значительную и большую часть от этого дохода. Поэтому позволить себе большие выплаты могли только в условиях, если проценты составляли посильную часть дохода. Иногда уровень процентов от дохода мог стать допустимым (чтобы ипотека стала возможной) только в условиях большего дохода. С введением программы ставка понизилась и необходимость большего дохода снизилась, ведь меньшие проценты означают относительно меньшую часть от текущего дохода. К примеру, если доход 100 условных единиц, а процентные выплаты составляют 20 условных единиц, и такое соотношение является непосильным для домохозяйства, то для того, чтобы они взяли ипотеку им необходимо увеличение дохода на 10 усл.ед.. Когда ставка снизилась, и процентные выплаты теперь составляют 10 усл. ед., то соотношение дохода и выплат теперь вполне достаточно для того, чтобы домохозяйство взяло ссуду, даже в условиях низкого дохода. Также, введение программы дает возможность большей суммы кредита при том же доходе. В условиях меньшей ставки, есть возможность купить квартиру дороже, при этом процентные выплаты останутся такими же, какие были бы в условиях дешевой квартиры, но высокой ставки. А это значит, что в данных условиях доход меньше влияет на объем кредита.

Что касается влияния безработицы, то можно заметить, что оно почти нивелировалось с введением программы. Если раньше коэффициент безработицы составлял -0.348, то суммируя его с положительным эффектом с вводом программы 0.3149, получается что уровень безработицы оказывает достаточно низкий отрицательный эффект. Можно предположить, что введение программы повысило граничное значение принятия риска. Ведь, безработные, которые надеются найти работу, в условиях высокой ставки склонны отказываться от ипотеки. Но когда условия становятся значительно более выгодными, а ожидания относительно условий после завершения программы негативны, то влияние отсутствия работы у экономически активного населения становится менее ощутимым.

Гипотезы 3 и 5 не подтвердились, а то есть введение программы не оказало значимого влияния на чувствительность зависимой переменной от факторов доступности жилья и сроку кредитования.

Заключение

Неоднократное подчеркивание важности роста рынка ипотечного кредитования для всех участников рынка приводит к осознанию необходимости мер по улучшению ситуации. 2014 год ознаменовался значительными изменениями в экономической сфере, что негативно сказалось на многих показателях рынка ипотечного кредитования. Была введена Программа субсидирования ипотеки, действие которой планировалась быть завершенным к марту 2014 года. Эффективность введенной программы вызывала некоторые сомнения, однако многие эксперты утверждали, что данная мера является фактором роста рынка. К концу 2015 года, начале 2016 темпы роста объемов ипотеки и объемы начали увеличиваться. В данной работе предполагалось, что на рост объемов, а соответственно, и рынка ипотеки положительно влияют:

· цены на жилье

· доход

· доступность жилья

· ввод жилья

При этом, предполагалось, что сдерживающими факторами будут:

· ставка процента

· срок кредитования

· уровень безработицы

Регрессионный анализ показал, что значимыми факторами являются ставка процента, доступность жилья, доходы и уровень безработицы: в регионах, где жилье доступнее - берут больше кредитов, в регионах с высокой безработицей - низкие показатели объемов, низкие ставки стимулируют брать более крупные кредиты, также как и высокий доход.

Что касается вопроса об эффективности программы, то согласно результатам данного исследования - сама по себе программа не оказывает непосредственного влияния, а то есть не является прямым фактором, определяющим рост рынка, однако в период ее функционирования, свой эффект изменили такие факторы, как доход и уровень безработицы. Поэтому, можно заключить, что опосредованное влияние есть и происходит стимулирование роста рынка. При этом значимыми факторами остаются доход и доступность жилья, которые по результатам приведенного исследования можно назвать главными факторами, определяющими рост рынка. Безработица в свою очередь, по результатам является важным сдерживающим фактором.

Включение факторов, не вошедших в приведенную модель, в будущем позволило бы исследовать разностороннее влияние и таким образом развить тему роста рынка ипотечного кредитования.

Полученные результаты могут использоваться для прогноза, оценки перспектив развития рынка ипотечного кредитования.

Список использованной литературы

1. Горелая Н.В., Карминский. А.М. (2015) Основы банковского дела //под редакцией профессора А.М. Карминского. Москва: ИД "Форум" - ИНФРА-М, с.271.

2. Горелая Н.В. (2012) Организация кредитования в коммерческом банке. М. : Издательский дом "Форум", с.207.

3. Едронова В.Н., & Бурова М.С. (2015). Анализ факторов динамики ипотечного жилищного кредитования в Нижегородской области. Экономический анализ: теория и практика, №21 (372), 29.

4. Зарецкая В.Г., Коровина Е.А. (2007) Многомерный корреляционно-регрессивный анализ зависимости объемов ипотечных кредитов от факторов макроэкономического развития. Финансы и кредит, №36, c. 12-17.

5. Кадочникова Е.И., Самерханова А.А. (2015) Отечественный рынок ипотечного кредитования как индикатор благосостояния: эконометрическая оценка. Проблемы современной экономики. №. 1 (53)

6. Косарева Н.Б. (2006) Основы ипотечного кредитования Ї М.: Фонд "Институт экономики города".

7. Коростелева Т.С. (2014) Российский рынок жилья и ипотечного кредитования в 2014 году: состояние, проблемы и механизмы государственного регулирования. Жилищные стратегии. Том 1. № 1, с. 25-44.

8. Кочеткова А.А. (2015) "Новые возможности развития ипотечного кредитования в России": Проблемы экономики и менеджмента No 5 (45)

9. Меркулов В.В. (2003) "Мировой опыт ипотечного жилищного кредитования и перспективы его использования в России". Санкт_Петербург: "Юридический центр Пресс".

10. Ратникова Т.А., Фурманов К.К. (2014); Нац. исслед. ун-т "Высшая школа экономики". - М.: Изд. дом Высшей школы экономики,. с. 373.

11. Слезко, А.Н. (2009) Рынок ипотечного кредитования в регионе. Некоторый взгляд на особенности и перспективы. Азиатско-тихоокеанский регион. №58.

12. Туртушов В.В. (2013) Расчет коэффициента доступности жилья для регионов России и факторы, влияющие на него. Вестник ЧГУ. №1.

13. Шанавазова М.С. (2012) Теоретические аспекты исследования ипотечного жилищного кредитованияю Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. №. 76.

14. Davis E. P. and Zhu H. (2004) Bank lending and commercial property cycles: some cross-country evidence // BIS Working Papers No 150 Monetary and Economic Department.

15. Fortin M. В. (2015) Why has the mortgage debt increased byВ so much in Canada? Departement d'Economique de la Faculte d'administration а l'Universite de Sherbrooke. №В.

16. Goodhart C., Hofmann B. (2008) House prices, money, credit, and the macroeconomy. Oxford Review of Economic Policy. Т. 24, №1, pp. 180-205.

17. Kaplan D. H. (1996) What is measured in measuring the mortgage market. The Professional Geographer. 48(4), pp. 356-367.

18. Kutlukaya M., Erol I. (2015) Analysis of cross-country variations in the depth of European mortgage markets. Journal of Housing and the Built Environment.

19. Mogaka A. J., Mboya K. J., Kamau R. G. (2015) The Influence of Macro Economic Factors on Mortgage Market Growth in Kenya. Journal of Finance and Accounting. Vol. 3, No. 4, pp. 77-85.

20. Ozhegov E. M., & Poroshina A. M. (2013) The Lagged Structure of Dynamic Demand Function for Mortgage Loans in Russia. EJournal of Corporate Finance, №27, pp. 37-49.

21. Агентство по ипотечному жилищному кредитованию ahml.ru

22. Центральный банк Российской Федерации cbr.ru

23. Федеральная служба государственной статистики gks.ru

24. dic.academic.ru

Приложение

Использованный код

library(openxlsx)

library(plm)

library(VIF)

library(ggplot2)

library(data.table)

library(MASS)

library(car)

library(lmtest)

dat <- read.xlsx("result.xlsx")

pdat <- plm.data(dat, indexes = c("Region", "Date"))

gr_pool <- plm(log(MOR+1) ~ INT + PER + log(INC+1) + ACC+ nhc + UNEML + log(INC+1), data = pdat, model = "pooling")

gr_fe0 <- plm(log(MOR+1) ~ INT + PER + log(INC+1) + ACC+ nhc + UNEML + log(INC+1), data = pdat, model = "within")

gr_re <- plm(log(MOR+1) ~ INT + PER + log(VAL+1) + ACC+ nhc + UNEML + log(INC+1), data = pdat, model = "random")

pFtest(gr_fe0,gr_pool)

phtest(gr_fe0, gr_re)

plmtest(gr_pool, type=c("bp"))

bptest(log(MOR+1) ~ INT + PER + log(VAL+1) + ACC+ nhc + UNEML + log(INC+1) + factor(Region),data = dat, studentize = FALSE)

pwartest(gr_fe0)

coeftest(gr_fe0, vcovHC(gr_fe0,method="arellano", cluster = "group"))

form <- formula(log(MOR+1) ~ INT + PER + log(VAL+1) + ACC + nhc + UNEML + Dgov + I(Dgov*INT) + I(Dgov*PER) + I(Dgov*log(VAL+1)) + I(Dgov*ACC) + I(Dgov*nhc) + I(Dgov*UNEML))

gr_fe1 <- plm(form, data = pdat, model = "within")

gr_p <- plm(form, data = pdat, model = "pooling")

gr_re <- plm(form, data = pdat, model = "random")

pFtest(gr_fe1, gr_p)

phtest(gr_fe0, gr_re)

plmtest(gr_p, type=c("bp"))

bptest(log(MOR+1) ~ PER + INT + UNEML + log(INC+1) + ACC + nhc + Dgov + I(Dgov*PER) + I(Dgov*INT) + I(Dgov*UNEML) + I(Dgov*log(INC+1))+ I(Dgov*log(INC+1)) + log(INC+1) + I(Dgov*ACC) + I(Dgov*nhc) + factor(Region),data = dat, studentize = FALSE)

pwartest(gr_fe1)

summary(gr_fe1)

coeftest(gr_fe1, vcovHC(gr_fe1,method="arellano", cluster = "group"))

Размещено на Allbest.ru