Прогнозирование стоимости недвижимости в зависимости от различных факторов
Эконометрическое моделирование цен на недвижимость. Линейная регрессионная модель. Схема комплексной модели прогнозирования стоимости жилой недвижимости. Комплексная модель прогнозирования стоимости жилой недвижимости на вторичном рынке г. Москвы.
Рубрика | Экономика и экономическая теория |
Вид | дипломная работа |
Язык | русский |
Дата добавления | 07.12.2019 |
Размер файла | 5,6 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Для прогнозирования потребности населения в жилье, используются данные Федеральной службы государственной статистики, на основе которых прогнозируется численность населения г. Москвы. Полученные данные преобразуются на основе исследования [28] и результатом являются спрогнозированные значения потребности населения в жилье в г. Москве.
Комплексная модель прогнозирования стоимости жилой недвижимости включает результаты прогнозирования уровня потребности населения в жилье, результаты прогнозирования комфортности жилья, и модель прогнозирования стоимости единицы жилой недвижимости на основе факторов объекта и входных переменных, являющихся результатами прогноза предыдущих моделей. Информационно-логическая схема комплексной модели прогнозирования стоимости единицы жилой недвижимости с используемыми методами построения приведена на Рисунке 6.
Размещено на http://www.allbest.ru/
Для исследования существования зависимости между отобранными переменными проведем корреляционный анализ исходных показателей регионального уровня. Построим матрицу коэффициентов парной корреляции (см. Приложение 4).
Как видно из таблицы парных корреляций, высокая корреляция наблюдается между числом родившихся на 1000 человек населения и числом умерших на 1000 человек населения. Это отражает, что в настоящее время у нас в стране фактически рождаемость соответствует смертности - в современном мире уровень и продолжительность жизни существенно выросли, и при этом в семьях рождается по 1-2 ребенка, хотя раньше было нормой иметь по 7 и более детей. Также высокая корреляция присутствует между числом родившихся на 1000 человек населения и естественным приростом населения на 1000 человек. В целом это логично, поскольку естественный прирост населения преимущественно происходит за счет рождаемости плюс изменение численности за счет миграционных процессов. Между среднедушевыми доходами и общими объемом доходов населения также наблюдается высокая связь. Это объясняется тем, что население имеет стабильную работу со стабильной заработной платой, поэтому дифференцированные среднедушевые доходы в итоге складываются в общий объем доходов.
Как видно из таблицы, корреляция между числом родившихся на 1000 человек населения и числом умерших на 1000 человек населения составляет 0,938, между числом родившихся на 1000 человек населения и естественным приростом населения на 1000 человек 0,988, между среднедушевыми доходами и общими объемом доходов населения 0,989. В следствие этого, было принято решение исключить вышеперечисленные переменные из анализа для увеличения точности результатов и исключения мультиколлинеарности - линейной зависимости между объясняющими переменными. Этот подход основывается на том, что если один фактор имеет линейную связь с другими, то общее влияние на результат отражает влияние этого отдельно взятого фактора, а, следовательно, его можно исключить из дальнейшего анализа.
Скорректированная таблица корреляции с исключенными переменными представлена в Таблице 8.
Таблица 8. Скорректированная таблица корреляций
Построим регрессионную модель методом ввода переменных, в которую входят только отобранные переменные (см. Таблица 9).
Таблица 9. Коэффициенты регрессионной модели
В столбце «В» приведены значения коэффициентов модели для каждой независимой переменной. Этот коэффициент показывает, насколько изменится значение зависимой переменной при изменении на 1 значения предиктора при прочих равных условиях.
В столбце «Бета» приведены стандартизованные значения коэффициентов модели «В». Чем больше по модулю значение «Бета», тем сильнее влияние. Знак показывает направление изменения величины зависимой переменной.
Из таблицы «Коэффициенты» можно сказать, что наибольшее влияние на величину численности населения оказывает значение переменной общего объема денежных доходов населения равной - 3,207), следующим показателем является общий объем денежных расходов с бетой равной - - 2,104.
В поле «Значимость» приведены значимости рассчитанных коэффициентов модели. Значимыми являются следующие коэффициенты: число разводов за год, общий объем денежных расходов населения, число умерших за год. Для этих переменных коэффициенты значимы на уровне от 0,05 до 0,000.
Незначимыми оказались переменные: константа, общий объем денежных расходов населения, уровень безработицы, лаговая переменная, год, миграционный прирост (убыль) на 10000 человек, и коэффициент межрегиональной (внутренней) миграции на 1000 человек.
Коэффициенты модели, построенной только на значимых переменных, показаны в Таблица 10.
Таблица 10. Коэффициенты построенной регрессионной модели
Для этой модели регрессионное уравнение выглядит следующим образом:
population= -24,575*divorces -0,098*total_costs + 0,656*lag_pop-145078,61*year+0,146*total_incomes-15,695*dead_year-3298,485*inter_migration+297230521
Частное от суммы квадратов, обусловленных регрессией и остаточной суммы квадратов называется коэффициентом детерминации. В таблице результатов это частное выводится как R-квадрат (см. Таблица 11).
Таблица 11. Сводка для модели
Анализируя таблицу «Сводка для модели» мы видим, что коэффициент детерминации R-квадрат = 0,999, а стандартная ошибка предсказания = 24540.
Эта величина характеризует качество регрессионной прямой, то есть степень соответствия между регрессионной моделью и исходными данными. Значение всегда лежит в диапазоне от 0 до 1.
В данной модели наблюдается отрицательная автокорреляция остатков, данный вывод был сделан на основе статистики Дарбина-Уотсона, которая рассчитывается статистическим пакетом SPSS автоматически. Значение критерия DW равняется 2,69. Определяются табличные значения критерия du = 1,697 и dl = 1,841 и с выражениями 4 - du и 4 - dl сравнивается выражение DW, так как фактическое значение критерия превышает 2.
На основе исследования [28] в расчетах потребности в жилье были использованы следующие нормативы по жилищной обеспеченности в расчете на 1 человека:
- 18 м2/чел - соответствует минимальной социальной норме обеспеченности жильем в России;
- 25 м2/чел - примерно соответствует минимальной норме обеспеченности в развитых странах.
На рисунке ниже представлены данные по жилищным условиям в г. Москве на 1 человека (см. Рисунок 7).
Рисунок 7. Жилищные условия на члена домохозяйства в кв.м.
Исходя из данных по жилищным условиям домашних хозяйств на 1 человека и полученным данных по численности населения, можно сделать следующий вывод: наблюдается баланс между удовлетворенностью потребности в жилье и неудовлетворенностью (см. Таблица 12).
Таблица 12. Определение уровня потребности населения в жилье в кв.м.
Год |
Жилищные условия домашних хозяйств на члена домохозяйства |
Численность населения |
Численность населения*18 кв.м |
Численность населения*25 кв.м |
Текущие жилищные условия* Численность |
Усредненный уровень потребности |
Разница между текущими условиями и потребностью |
Разница, деленная на численность |
|
2002 |
18,0 |
10 269 900 |
184 858 200 |
256 747 500 |
184 858 200 |
220 802 850 |
-35 944 650,0 |
-3,5 |
|
2003 |
18,5 |
10 386 903 |
186 964 254 |
259 672 575 |
192 157 706 |
223 318 415 |
-31 160 709,0 |
-3,0 |
|
2004 |
18,9 |
10 535 681 |
189 642 258 |
263 392 025 |
199 124 371 |
226 517 142 |
-27 392 771,0 |
-2,6 |
|
2005 |
20,3 |
10 726 429 |
193 075 722 |
268 160 725 |
217 746 509 |
230 618 224 |
-12 871 715,0 |
-1,2 |
|
2006 |
22,8 |
10 923 762 |
196 627 716 |
273 094 050 |
249 061 774 |
234 860 883 |
14 200 890,6 |
1,3 |
|
2007 |
20,9 |
11 091 428 |
199 645 704 |
277 285 700 |
231 810 845 |
238 465 702 |
-6 654 856,8 |
-0,6 |
|
2008 |
18,6 |
11 186 851 |
201 363 318 |
279 671 275 |
208 075 429 |
240 517 297 |
-32441 868,0 |
-2,9 |
|
2009 |
19,9 |
11 281 631 |
203 069 358 |
282 040 775 |
224 504 457 |
242 555 067 |
-18 050 610,0 |
-1,6 |
|
2010 |
20,1 |
11 382 161 |
204 878 898 |
284 554 025 |
228 781 436 |
244 716 462 |
-15 935 025,0 |
-1,4 |
|
2011 |
19,8 |
11 776 764 |
211 981 752 |
294 419 100 |
233 179 927 |
253 200 426 |
-20 020 499,0 |
-1,7 |
|
2012 |
21,6 |
11 856 578 |
213 418 404 |
296 414 450 |
256 102 085 |
254 916 427 |
1 185 657,8 |
0,1 |
|
2013 |
21,0 |
11 979 529 |
215 631 522 |
299 488 225 |
251 570 109 |
257 559 874 |
-5 989 764,5 |
-0,5 |
|
2014 |
19,5 |
12 108 257 |
217 948 626 |
302 706 425 |
236 111 012 |
260 327 526 |
-24 216514,0 |
-2,0 |
|
2015 |
20,0 |
12 197 596 |
219 556 728 |
304 939 900 |
243 951 920 |
262 248 314 |
-18 296 394,0 |
-1,5 |
Вследствие отсутствия данных за последующие годы в базе Федеральной государственной статистики, численность населения была спрогнозирована за счет построения трендовой модели на основе данных 2002-2015г. При проведении анализа данных было выявлено, что наилучшее описание выборки дает линейная модель (см. Рисунок 9).
Рисунок 9. Трендовая модель численности населения на основе 2002-2015 годов
Уравнение модели:
Вычисляем численность населения на 2016-2019 года через уравнение:
Однако было сделано допущение, что модель, основанная на данных за 2011-2015 г. даст лучший результат, поскольку не будет учитывать скачка 2010-2011 годов (см. Рисунок 9).
Рисунок 9. Трендовая модель на основе 2011-2015 годов
Уравнение модели:
Вычисляем численность населения на 2016-2018 года через уравнение:
Принимая во внимание плановое увеличение норматива жилплощади [29] до 33 кв.м., рассчитаем уровень потребности усредненный (см. Таблица 13).
Таблица 13. Расчет уровня потребности на 2019 год
Год |
Жилищные условия домашних хозяйств на члена домохозяйства |
Численность населения |
Численность населения*18 кв.м |
Численность населения*25 кв.м |
Текущие жилищные условия* численность |
Усредненный уровень потребности |
Разница между текущими условиями и потребностью |
Разница, деленная на численность |
|
2016 |
22,5 |
12 311 748 |
221 611 464 |
307 793 700 |
277 014 330 |
264 702 582 |
12 311 748 |
1,0 |
|
2017 |
25,0 |
12 421 082 |
223 579 476 |
310 527 050 |
310 527 050 |
267 053 263 |
43 473 787 |
3,5 |
|
2018 |
27,5 |
12 530 416 |
225 547 488 |
313 260 400 |
344 586 440 |
269 403 944 |
75 182 496 |
6,0 |
|
2019 |
30,0 |
12 639 751 |
227 515 518 |
315 993 775 |
379 192 530 |
271 754 647 |
107 437 884 |
8,5 |
Таким образом, усредненный уровень потребности на 2019 год можно считать удовлетворенным на вторичном рынке жилья. Это можно объяснить тем, что количество квартир на вторичным рынке не подвергается дефициту. Тем более, в настоящее время многие предпочитают жилье на первичном рынке недвижимости.
3.3 Прогнозирование комфортности жилья в г. Москве
3.3.1 Подготовка данных
Для прогнозирования комфортности жилья используется порядковая логистическая модель с тремя возможными значениями переменной комфортности:
- 1 - минимальная комфортность;
- 2 - средняя комфортность;
- 3 - высокая комфортность жилья.
Построим таблицу частот для исследования распределения значений выборки по категориям комфортности (см. Таблица 14).
Таблица 14. Частотная таблица переменной комфортности
Как видно из таблицы, наибольшее число элементов выборки попало в категорию высшей комфортности, а наименьшее - в минимальную комфортность (см. Рисунок 10).
Рисунок 10. Гистограмма для переменной комфортности
Для прогнозирования комфортности жилья была создана переменная «Округ» на основе данных по округам. Для проведения достоверного анализа на выборке из 300 элементов необходимо уменьшить число переменных, поэтому 12 фиктивных переменных по районам были сгруппированы в переменную «Округ». Объединение в группы осуществлялось на основе средних значений цен на жилье (см. Таблица 15).
Таблица 15. Средние значения цен на жилье в разбивке по районам
Исходя из таблицы, переменная «Округ» может принимать следующие значения:
- Центральный;
- Северный, Восточный, Юго-Западный, Северо-Западный;
- Северо-Восточный, Юго-Восточный, Южный;
- Западный;
- Новомосковский, Зеленоградский, Троицкий.
Построим гистограмму распределения частот значений переменной «Округ» в выборке (см. Рисунок 11).
-
Рисунок 11. Структура переменной "Округ"
Как видно из гистограммы, наибольшее количество значений попало в категорию 2, что объясняется тем, что данная категория охватывает сразу 4 района.
Также был проведен дескриптивный анализ и построены таблицы сопряженности для всех комбинаций зависимой переменной и независимых факторов (см. Таблица 16).
Таблица 16. Комбинационная таблица Комфортность*Лифт
Построенные диаграммы наглядно отражают соответствие комфортности жилья независимому фактору (см. Рисунок 13). Так, например, в комбинационной диаграмме с независимым фактором «лифт», можно отметить, что рост комфортности жилья пропорционален количеству наблюдений с значением 1 для фактора «лифт». Только 10,3 процента от всех значений соответствуют максимальной комфортности при отсутствии лифта.
Рисунок 13. Диаграмма Комфортность*Лифт
Если рассмотреть комбинационную таблицу комфортности и количества подъездов, то можно отметить, что наибольший процент с наименьшей комфортностью составляют дома с 4 подъездами (см. Таблица 17), а с наибольшей комфортностью дома с одним подъездом.
Таблица 17. Комбинационная таблица Комфортность*Количество подъездов
На диаграмме ниже показано распределение домов в разрезе количества подъездов относительно значений комфортности жилья (см. Рисунок 14).
Рисунок 14. Диаграмма Комфортность*Количество подъездов
Как можно увидеть, к минимальной комфортности относятся дома с максимальным количеством подъездов, и с повышением комфортности таких домов в выборке с максимальной комфортностью становится наименьшее количество.
3.3.2 Прогнозирование на основе деревьев классификаций
Далее было построено дерево классификации со следующими ограничениями наблюдений в узле - для узла отца 20 значений, для дочернего узла 5.
При использовании метода построения CHAID в дерево классификации были включены следующими значимые переменные: от метро, от МКАД, наличие мусоропровода, и наличие паркинга. Дерево включает в себя 15 узлов и содержит 3 уровня классификации (см. Рисунок 15).
Рисунок 15. Прогнозирование комфортности объекта жилой недвижимости методом CHAID
Общая процентная доля правильно предсказанных значений составляет 68,4% (см. Рисунок 16).
Рисунок 16. Классификация наблюдений при методе построения CHAID
Исходя из данных в таблице можно сделать вывод, что данный метод обладает не самой высокой прогностической способностью.
При применении исчерпывающего метода CHAID результаты идентичны - выделены те же значимые переменные, и доля предсказанных значений составляет 67,4% (см. Приложение 5).
Метод CRT дал другой результат - более высокую глубину дерева (5), и количество узлов (25). В качестве значимых переменных были выделены следующие - от метро, инфраструктура, от МКАД, возраст дома, округ, этажность, лифт, тип дома, подъездов, мусоропровод, дом под снос, наличие паркинга, и наличие консьержа. Дерево классификации представлено на Рисунок 17, доля правильно предсказанных значений составила 72%.
Рисунок 17. Классификация наблюдений при методе построения CRT
Таким образом, метод CRT дал наиболее точный результат из использованных методов.
Рисунок 18. Прогнозирование комфортности объекта жилой недвижимости методом CRT
Как видно из Рисунок 18, объекты жилья с максимальной комфортностью в первую очередь характеризуются близостью к метро - происходит деления на группы на уровне более 16 минут до метро и менее 16 минут. В узел 1 попало 109 значений из выборки соответствующих максимальной комфортности, что составило 66% значений узла 1. В то время как в узел 2 попало всего 8 значений из выборки с максимальной комфортностью соответствующих всего 5,8% значений из узла 2.
Далее происходит разделение по расстоянию от МКАДа. Если объект недвижимости около метро, но за МКАДом, то возможно его территориальное расположение не такое привлекательное, чем у объектов, которые находятся дальше от метро, но ближе к центру. При этом объекты недвижимости, которые не находятся в пешеходной доступности от метро дальше подразделяются по наличию паркинга. Соответственно такие респонденты пользуются своим автотранспортом. При наличии паркинга, большее число значений узла принадлежит группам комфортности 2 и 3, в том время при отсутствии паркинга скорее всего объект будет принадлежать к группе комфортности 1. Классификация независимых переменных по значимости представлена на рисунке ниже (см. Рисунок 19).
Рисунок 19. Классификация независимых переменных по значимости
Полученные спрогнозированные значения комфортности и полученные узлы используются для построения модели прогнозирования комфортности жилой недвижимости.
3.3.3 Прогнозирование на основе порядковой логистической модели
Проведем факторный анализ для следующих переменных для снижения размерности: этажность, от МКАД, подъездов, от метро, и возраст дома (см. Таблица 18). Переменные для факторного анализа были отобраны только количественного типа. Переменная «возраст дома» была получена с помощью SPSS путем вычитания года постройки.
Таблица 18. Повернутая матрица компонентов
Далее для построения логистической модели 5 переменных будут заменены 2 полученными факторами, которые включают в себя вклад от всех 5 переменных.
Построим порядковую логистическую модель на основе местных факторов. Следующая таблица позволяет оценить значение логарифма правдоподобия. Изменение статистики хи-квадрат по сравнению с предыдущим шагом -- это различие между удвоенным логарифмическим правдоподобием модели на предыдущем и текущем шаге (см. Таблица 19).
Таблица 19. Информация подгонки модели
Приближенные значения R-квадрат, показывающие долю влияния всех предикторов модели на дисперсию зависимой переменной показаны в таблице ниже (см. Таблица 20). Можно отметить, что для данной модели он невысок.
Таблица 20. Оценка качества модели
Таблица с включенными переменными в модель представлена ниже, где в качестве значимых переменных можно выделить фактор 1, отсутствие паркинга, и отсутствие мусоропровода.
Таблица 21. Прогнозирование комфортности жилой недвижимости при помощи порядковой логистической модели
Доля правильно предсказанных значений при помощи порядковой логистической регрессии составляет 60%.
Сравнивая полученные результаты двух моделей, можно сделать вывод, что наилучший прогноз дает модель дерева классификации CRT. Данные, спрогнозированные этим методом, используются при построении комплексной модели прогнозирования стоимости единицы жилой недвижимости в г. Москве.
3.4 Прогнозирование стоимости единицы жилой недвижимости в г. Москве
3.4.1 Подготовка данных
Для исследования существования зависимости между переменными проведем корреляционный анализ исходных показателей объекта недвижимости. Построим матрицу коэффициентов парной корреляции (см. Таблица 22).
Таблица 22. Корреляции факторов объекта для прогнозирования стоимости жилой недвижимости
Из матрицы видно, что наивысшая корреляция наблюдается 0,66 между количеством комнат и общей площадью. Это значение находится в диапазоне нормы, поэтому переменные не будут исключены из анализа.
В данную модель помимо вышеперечисленных переменных включаются две дополнительные переменные, спрогнозированные ранее - уровень потребности населения в жилье и комфортность жилья.
3.4.2 Прогнозирование на основе деревьев классификаций
Далее было построено дерево классификации со следующими ограничениями наблюдений в узле - для узла отца 20 значений, для дочернего узла 5.
При использовании исчерпывающего метода построения CHAID в дерево классификации были включены следующие значимые переменные: общая площадь, предсказанная комфортность жилья, высота потолков, наличие ремонта, и округ. Дерево включает в себя 22 узла и содержит 3 уровня классификации (см. Приложение 6). В узел 14 вошло больше всего наблюдений - квартиры с общей площадью менее 46 кв.м. в северной или южной части Москвы с низкой или средней комфортностью.
Сравним данную модель с методом CRT. Данная модель имеет большую глубину (5) и большую детализацию - почти все переменные оказались значимыми за исключением наличия балкона и вида из окна (см. Приложение 7). Согласно сводки выигрышей в узле можно сделать вывод, что наибольшее число наблюдений попало в узел 11 - квартиры с общей площадью менее 75 кв.м. с пониженной или средней комфортностью на севере или на юге Москвы (см. Таблица 23). Как и при использовании метода CHAID основным критерием деления является общая площадь.
Таблица 23. Сводка выигрышей для узлов при методе построения CRT
Сравним результаты приведенных двух методов с помощью графиков, построенных на данных узлов, предсказанных значений стоимости, и самой стоимости. При методе CHAID можно заметить выбросы в 15, 7, 20, и 13 узлах. Отклонение составляет от 500000 до 2500000 рублей (см. Рисунок 19).
Рисунок 19. Отклонения предсказанной стоимости от реальной при методе CHAID
При методе CRT видим более сглаженную модель, где отсутствуют настолько выраженные выбросы. В узлах 10, 17, 11 модель прогнозирует достаточно точно, выбросы наблюдаются в 8, 19, 2 узлах, где максимальное отклонение составляет 1500000 рублей (см. Рисунок 20).
Рисунок 20. Отклонения предсказанной стоимости от реальной при методе CRT
Таким образом, лучший результат дает метод CRT.
3.4.3 Прогнозирование стоимости единицы жилой недвижимости на основе порядковой логистической модели
Далее переведем переменную «Цена» в категориальную переменную с помощью средств SPSS для построения порядковой логистической модели. Получившиеся диапазоны представлены на рисунке ниже (см. Рисунок 21).
Рисунок 21. Разбиение цены на категории
Логарифм правдоподобия в окончательной модели равняется 502,8 (см. Таблица 24).
Таблица 24. Информация подгонки порядковой логистической модели стоимости жилья
Как видно, логарифм правдоподобия в ходе построения модели уменьшился почти в два раза. В таблице ниже показана величина псевдо R-квадрат, который также измеряется в пределах от 0 до 1, и в данном случае равняется 0,849 (см. Таблица 25).
Таблица 25. Сводка для модели прогнозирования стоимости жилья
Представленная таблица коэффициентов построенной порядковой логистической модели показывает, что значимыми коэффициентами в модели являются общая площадь, высота потолков, количество комнат, наличие ремонта, отсутствие балкона, округ, и предсказанная комфортность (см. Таблица 26).
Таблица 26. Порядковая логистическая модель стоимости жилья
Уравнение логистической модели представлено ниже:
Доля правильно предсказанных значений при помощи порядковой логистической регрессии составляет 71%.
Таким образом, было составлены две модели прогнозирования стоимости жилья - с помощью деревьев классификаций и с помощью построения порядковой регрессионной модели. При прогнозировании стоимости жилой недвижимости лучшие результаты дала порядковая логистическая модель по сравнению с деревьями классификаций.
3.4.4 Прогнозирование стоимости единицы жилой недвижимости на основе линейной регрессионной модели
При построении линейной регрессионной модели исключим константу из уравнения для вхождения численности населения в модель (см. Рисунок 23).
Рисунок 23. Снятие включения в уравнение константы
Построим регрессионную модель методом ввода переменных, в которую входят отобранные переменные (см. Таблица 27).
Таблица 27. Коэффициенты построенной регрессионной модели
Из таблицы «Коэффициенты» можно сделать вывод, что наибольшее влияние на стоимость единицы жилой недвижимости оказывает значение переменной общая площадь равной - 1,283), следующим показателем является высота потолков жилья с бетой равной - 0,848.
Значимыми являются следующие коэффициенты: количество комнат, общая площадь, площадь кухни, наличие ремонта, высота потолков, лоджия, округ, предсказанная комфортность, численность населения. Для этих переменных коэффициенты значимы на уровне от 0,1 до 0,000.
Незначимыми оказались переменные: этаж, наличие балкона, и вид из окна.
Для повышения качества прогноза построим регрессионную модель только на значимых переменных (см. Таблица 28).
Таблица 28. Коэффициенты построенной регрессионной модели со значимыми переменными
Для этой модели регрессионное уравнение выглядит следующим образом:
price = -1474096,5*rooms + 294773,6*total_area - 171424,6*kitchen_area + 1673907,1*repairs + 3612696,5*ceiling_height - 1754557,7*district + 892534,8*comfort - 0,632*population
Анализируя таблицу «Сводка для модели» видно, что коэффициент детерминации R-квадрат = 0,85, а стандартная ошибка предсказания = 4571250.
Таблица 29. Сводка для модели
Автокорреляция в данной модели попала в зону неопределенности, так как значение критерия DW=1,89 попало в диапазон между табличными значениями критерия du = 0,904 и dl = 2,102.
3.5 Апробация комплексной модели прогнозирования стоимости недвижимости на основе порядковой логистической 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.
Диапазоны значений, которые может принимать переменная категориальной цены, представлены в таблице ниже (см. Таблица 30).
Таблица 30. Характеристика категорий
Номер категории |
Ценовой диапазон |
|
1 |
менее 5 500 000 |
|
2 |
от 5 500 001 до 6 450 000 |
|
3 |
от 6 450 001 по 7 500 000 |
|
4 |
от 7 500 001 по 8 950 000 |
|
5 |
от 8 950 001 по 13 490 000 |
|
6 |
более 13 490 000 |
Сравнительные данные по апробации порядковой логистической модели, включающие фактическую и предсказанную категорию, а также среднюю относительную ошибку прогноза, представлены в таблице ниже (см. Таблица 31).
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 |
Приложение 2. Пример выборки для прогнозирования комфортности жилой недвижимости
№ |
Лифт |
Год постройки |
Район |
Район |
Мусоропровод |
Паркинг |
Дом под снос |
от метро |
Тип дома |
Консьерж |
Этажность |
от МКАД |
Комфортность |
|
1 |
да |
1968 |
Центральный |
Арбат |
нет |
нет |
нет |
14 |
панельный |
да |
24 |
0 |
3 |
|
2 |
нет |
1917 |
Центральный |
Арбат |
нет |
нет |
нет |
7 |
кирпичный |
да |
4 |
0 |
3 |
|
3 |
да |
1999 |
Центральный |
Басманный район |
да |
нет |
нет |
7 |
кирпичный |
да |
12 |
0 |
3 |
|
4 |
да |
1984 |
Центральный |
Басманный район |
нет |
нет |
нет |
10 |
панельный |
нет |
12 |
0 |
3 |
|
5 |
да |
1997 |
Центральный |
Замоскворечье |
да |
да |
нет |
1 |
кирпичный |
нет |
5 |
0 |
3 |
|
6 |
да |
1964 |
Центральный |
Замоскворечье |
нет |
да |
нет |
6 |
кирпичный |
нет |
8 |
0 |
3 |
|
7 |
да |
2008 |
Центральный |
Красносельский |
да |
да |
нет |
5 |
монолитный |
нет |
7 |
0 |
3 |
|
8 |
да |
1978 |
Центральный |
Красносельский |
нет |
да |
нет |
20 |
панельный |
нет |
16 |
0 |
3 |
|
9 |
да |
1939 |
Центральный |
Пресненский |
нет |
нет |
нет |
7 |
кирпичный |
нет |
8 |
0 |
3 |
|
10 |
да |
1978 |
Центральный |
Пресненский |
да |
нет |
нет |
9 |
кирпичный |
нет |
14 |
0 |
3 |
|
11 |
да |
1944 |
Центральный |
Мещанский |
да |
нет |
нет |
7 |
кирпичный |
нет |
7 |
0 |
3 |
|
12 |
да |
1967 |
Центральный |
Мещанский |
нет |
да |
нет |
5 |
кирпичный |
да |
14 |
0 |
3 |
|
13 |
да |
1966 |
Центральный |
Таганский |
да |
нет |
нет |
8 |
кирпичный |
нет |
9 |
0 |
3 |
|
14 |
да |
1972 |
Центральный |
Таганский |
нет |
да |
нет |
8 |
блочный |
нет |
9 |
0 |
3 |
|
15 |
да |
1961 |
Центральный |
Тверской |
да |
да |
нет |
11 |
кирпичный |
нет |
11 |
0 |
3 |
|
16 |
да |
1935 |
Центральный |
Тверской |
нет |
нет |
нет |
7 |
кирпичный |
нет |
7 |
0 |
2 |
|
17 |
да |
1960 |
Центральный |
Хамовники |
нет |
да |
нет |
5 |
кирпичный |
нет |
8 |
0 |
3 |
|
18 |
да |
1971 |
Центральный |
Хамовники |
да |
да |
нет |
7 |
кирпичный |
нет |
14 |
0 |
3 |
|
19 |
да |
1939 |
Центральный |
Якиманка |
нет |
нет |
нет |
7 |
кирпичный |
нет |
12 |
0 |
3 |
|
20 |
да |
2006 |
Центральный |
Якиманка |
нет |
нет |
нет |
10 |
монолитный |
да |
20 |
0 |
3 |
|
21 |
да |
1944 |
Центральный |
Замоскворечье |
да |
да |
нет |
10 |
кирпичный |
да |
8 |
0 |
3 |
|
22 |
да |
1975 |
Центральный |
Таганский |
да |
да |
нет |
4 |
панельный |
да |
18 |
0 |
3 |
|
23 |
да |
2002 |
Центральный |
Басманный район |
да |
нет |
нет |
10 |
панельный |
да |
12 |
0 |
3 |
|
24 |
да |
1914 |
Центральный |
Тверской |
да |
нет |
нет |
4 |
кирпичный |
нет |
10 |
0 |
3 |
|
25 |
да |
1986 |
Центральный |
Якиманка |
да |
да |
нет |
4 |
кирпичный |
нет |
8 |
0 |
3 |
Приложение 3. Пример выборки для прогнозирования стоимости жилой недвижимости
№ |
Цена |
Комнаты |
Общая площадь |
Площадь кухни |
Ремонт |
Этаж |
Высота потолков |
Балкон |
Лоджия |
Вид из окна |
Округ |
|
1 |
24 900 000 |
2 |
52 |
10 |
да |
21 |
3,15 |
да |
нет |
на улицу и двор |
Центральный |
|
2 |
16 793484 |
2 |
52 |
0 |
да |
3 |
3,15 |
да |
нет |
на улицу |
Центральный |
|
3 |
10 000 000 |
1 |
39 |
9,5 |
нет |
6 |
2,75 |
да |
да |
на улицу |
Центральный |
|
4 |
9 000 000 |
1 |
40 |
9,5 |
нет |
10 |
2,75 |
да |
да |
на улицу |
Центральный |
|
5 |
85 000 000 |
2 |
106 |
15 |
да |
4 |
3,15 |
нет |
нет |
во двор |
Центральный |
|
6 |
9 490 000 |
1 |
30 |
6 |
нет |
4 |
2,75 |
да |
нет |
На улицу и двор |
Центральный |
|
7 |
21 700 000 |
1 |
48 |
12 |
да |
2 |
3,15 |
да |
нет |
во двор |
Центральный |
|
8 |
14 900 000 |
2 |
54 |
10 |
нет |
5 |
3,15 |
да |
нет |
во двор |
Центральный |
|
9 |
40 900 000 |
3 |
77 |
8 |
да |
6 |
3,15 |
да |
нет |
На улицу и двор |
Центральный |
|
10 |
22 999 000 |
2 |
60 |
10 |
да |
7 |
4 |
нет |
да |
во двор |
Центральный |
|
11 |
12 000 000 |
1 |
28 |
8 |
нет |
3 |
3 |
нет |
нет |
на улицу |
Центральный |
|
12 |
14 900 000 |
2 |
54 |
8 |
нет |
6 |
2,8 |
да |
да |
На улицу и двор |
Центральный |
|
13 |
11 800 000 |
2 |
44 |
7 |
нет |
7 |
4 |
нет |
да |
во двор |
Центральный |
|
14 |
8 500 000 |
1 |
37 |
8 |
да |
2 |
3 |
нет |
нет |
во двор |
Центральный |
|
15 |
14 800 000 |
1 |
36 |
8 |
да |
1 |
3,1 |
нет |
нет |
во двор |
Центральный |
|
16 |
14 000 000 |
2 |
50 |
6 |
да |
4 |
3 |
да |
нет |
во двор |
Центральный |
|
17 |
18 000 000 |
2 |
48 |
14 |
да |
4 |
3,6 |
да |
нет |
во двор |
Центральный |
|
18 |
15 200 000 |
2 |
50 |
9 |
нет |
6 |
2,8 |
да |
нет |
На улицу и двор |
Центральный |
|
19 |
25 700 000 |
2 |
89 |
25 |
нет |
9 |
3,2 |
нет |
нет |
На улицу и двор |
Центральный |
|
20 |
36 000 000 |
3 |
98 |
10 |
да |
7 |
3,6 |
нет |
нет |
на улицу |
Центральный |
|
21 |
21 990 000 |
2 |
68 |
7 |
нет |
5 |
3 |
нет |
нет |
на улицу |
Центральный |
|
22 |
14 500 000 |
2 |
50 |
8,5 |
нет |
14 |
2,75 |
да |
нет |
на улицу |
Центральный |
|
23 |
8 500 000 |
1 |
38 |
7 |
нет |
8 |
2,75 |
да |
да |
на улицу |
Центральный |
|
24 |
35 000 000 |
2 |
64 |
9 |
да |
6 |
3,5 |
нет |
нет |
во двор |
Центральный |
|
25 |
9 300 000 |
1 |
36 |
10 |
нет |
7 |
2,6 |
нет |
да |
на улицу |
Центральный |
Приложение 4. Таблица корреляций всех отобранных факторов для прогнозирования численности населения
Приложение 5. Прогнозирование комфортности жилой недвижимости при помощи исчерпывающего метода CHAID
Приложение 6. Прогнозирование стоимости жилой недвижимости при помощи исчерпывающего метода CHAID
Приложение 7. Прогнозирование стоимости жилой недвижимости при помощи исчерпывающего метода CRT
Приложение 3. Выборка для апробации комплексной модели прогнозирования стоимости жилой недвижимости
№ |
Цена |
Комнаты |
Общая площадь |
Площадь кухни |
Ремонт |
Этаж |
Высота потолков |
Балкон |
Лоджия |
Вид из окна |
Округ |
|
1 |
6 500 000 |
1 |
32,5 |
6 |
нет |
3 |
2,74 |
да |
нет |
во двор |
Восточный |
|
2 |
15 200 000 |
2 |
50,0 |
9 |
нет |
6 |
2,80 |
да |
нет |
во двор |
Центральный |
|
3 |
7 800 000 |
2 |
47,0 |
9 |
нет |
7 |
2,65 |
да |
нет |
на улицу |
Северо-Западный |
|
4 |
12 500 000 |
1 |
32,0 |
0 |
да |
19 |
2,60 |
нет |
да |
на улицу и двор |
Северный |
|
5 |
8 400 000 |
2 |
45,0 |
6 |
да |
3 |
2,71 |
да |
нет |
на улицу и двор |
Северо-Восточный |
|
6 |
7 000 000 |
1 |
34,0 |
9 |
да |
9 |
2,60 |
да |
нет |
на улицу |
Юго-Восточный |
|
7 |
6 650 000 |
2 |
45,0 |
6 |
нет |
8 |
2,64 |
нет |
нет |
во двор |
Северный |
|
8 |
13 200 000 |
2 |
43,0 |
5 |
да |
7 |
2,71 |
да |
нет |
во двор |
Центральный |
|
9 |
6 500 000 |
1 |
30,0 |
6 |
нет |
3 |
2,64 |
да |
нет |
во двор |
Восточный |
|
10 |
22 999 000 |
2 |
60,0 |
10 |
да |
7 |
4 |
нет |
да |
во двор |
Центральный |
|
11 |
6 040 000 |
1 |
51,0 |
7 |
нет |
2 |
3,00 |
да |
да |
во двор |
Новомосковский |
|
12 |
8 690 000 |
2 |
54,0 |
9 |
нет |
4 |
2,71 |
да |
нет |
во двор |
Юго-Западный |
|
13 |
5 700 000 |
2 |
35,0 |
6 |
нет |
8 |
2,65 |
нет |
да |
во двор |
Южный |
|
14 |
9 300 000 |
2 |
58,0 |
7 |
да |
14 |
2,71 |
да |
нет |
во двор |
Северный |
|
15 |
7 950 000 |
1 |
37,0 |
9 |
да |
7 |
2,75 |
нет |
да |
во двор |
Северо-Западный |
|
16 |
5 500 000 |
1 |
32,0 |
6 |
нет |
5 |
2,64 |
нет |
нет |
на улицу |
Восточный |
|
17 |
6 400 000 |
2 |
52,0 |
12 |
да |
1 |
2,64 |
нет |
нет |
во двор |
Новомосковский |
|
18 |
10 300 000 |
1 |
43,0 |
14 |
да |
15 |
2,70 |
да |
нет |
на улицу и двор |
Северо-Восточный |
|
19 |
4 950 000 |
1 |
34,0 |
9 |
да |
5 |
2,64 |
да |
нет |
на улицу |
Троицкий |
|
20 |
6 399 000 |
2 |
58,0 |
7 |
нет |
1 |
2,64 |
нет |
нет |
во двор |
Зеленоградский |
|
21 |
5 800 000 |
1 |
30,0 |
7 |
нет |
5 |
2,64 |
да |
нет |
во двор |
Восточный |
|
22 |
8 750 000 |
1 |
38,0 |
9 |
нет |
1 |
2,64 |
нет |
нет |
во двор |
Юго-Западный |
|
23 |
5 700 000 |
2 |
35,0 |
6 |
нет |
8 |
2,65 |
нет |
да |
во двор |
Южный |
|
24 |
8 900 000 |
2 |
56,0 |
9 |
да |
17 |
2,75 |
нет |
да |
во двор |
Северный |
|
25 |
7 350 000 |
1 |
38,0 |
8 |
нет |
12 |
2,40 |
нет |
да |
на улицу |
Юго-Западный |
|
26 |
6 100 000 |
1 |
33,0 |
7 |
нет |
4 |
2,64 |
нет |
нет |
во двор |
Северный |
|
27 |
7 800 000 |
2 |
47,0 |
8 |
нет |
2 |
2,40 |
нет |
нет |
во двор |
Северо-Западный |
|
28 |
5 850 000 |
2 |
51,0 |
8 |
нет |
16 |
2,85 |
нет |
да |
во двор |
Троицкий |
|
29 |
5 650 000 |
1 |
35,0 |
7 |
нет |
9 |
2,64 |
да |
нет |
во двор |
Южный |
|
30 |
11 300 000 |
2 |
54,0 |
9 |
да |
9 |
2,64 |
да |
нет |
во двор |
Юго-Западный |
Размещено на Allbest.ru
Подобные документы
Понятие, характеристика классов жилой недвижимости. Тенденции спроса и предложения на рынке. Влияние экономических факторов. Построение модели для прогноза стоимости квадратного метра на первичном и вторичном рынке жилой недвижимости г. Нижнего Новгорода.
дипломная работа [1,9 M], добавлен 19.09.2016Оценка жилой недвижимости. Виды и принципы, технология определения ее стоимости. Анализ рынка жилой недвижимости г. Новосибирска. Оценка жилой недвижимости сравнительным и доходным подходом. Согласование результатов оценки в итоговую величину стоимости.
курсовая работа [96,2 K], добавлен 22.01.2014Динамика показателей обеспеченности населения Краснодарского края жильем. Адаптивные методы прогнозирования. Исследование зависимости стоимости квартиры от общей площади. Многофакторная модель стоимости жилья на рынке недвижимости г. Краснодара.
дипломная работа [1,9 M], добавлен 03.11.2015Правовые основы оценки жилой недвижимости. Классификация жилой недвижимости. Анализ рынка жилой недвижимости г. Новосибирска. Затратный и сравнительный подходы к оценке стоимости недвижимости, анализ практики ее расчета. Описание объекта анализа.
дипломная работа [1,6 M], добавлен 14.12.2010Проведение оценки недвижимости для определения рыночной стоимости. Анализ рынка жилой недвижимости. Определение стоимости недвижимости затратным, сравнительным и доходным подходами. Согласование результатов и заключение о рыночной стоимости объекта.
курсовая работа [53,9 K], добавлен 14.10.2013Основные подходы к определению стоимости объекта недвижимости. Общие методы и принципы оценки жилой недвижимости. Анализ рынка жилой недвижимости в г.Самара. Характеристика объекта оценки. Определение итоговой величины рыночной стоимости объекта оценки.
дипломная работа [112,5 K], добавлен 09.08.2010Рынок жилой недвижимости как совокупность отдельных сегментов потребителей жилой недвижимости. Общая характеристика ООО "Агентства недвижимости Бизнес и Право": знакомство с видами деятельности, особенности проведения сделок на вторичном рынке жилья.
дипломная работа [1,7 M], добавлен 19.11.2015Последовательность определения стоимости объекта оценки. Характеристика местоположения объекта оценки недвижимости. Статистика рынка жилой недвижимости г. Москвы по микрорайонам. Анализ лучшего и наиболее эффективного использования оцениваемого объекта.
курсовая работа [407,1 K], добавлен 18.01.2016Классификация и принципы оценки недвижимости. Виды стоимости недвижимости и факторы, влияющие на нее. Оценка двухкомнатной квартиры, расположенной в г. Новосибирске доходным, затратным и сравнительным методом. Пути улучшения методов оценки недвижимости.
дипломная работа [190,3 K], добавлен 26.04.2011Выявление факторов, оказывающих влияние на цену жилой недвижимости в городе и определение их предельного эффекта. Эконометрический анализ геокодированных данных о ценах на квартиру и дом. Экологические факторы и ценообразование на рынке недвижимости.
курсовая работа [69,9 K], добавлен 28.08.2016