Рис 6. F-тесты для каждой переменной

А с помощью декомпозиции дисперсии было показано, что все регрессоры объясняют почти 60% вариации в данном секторе, а номинальные процентные ставки являются ключевым фактором, обуславливающим около 36% вариации (рис. 7).

Рис 7. Декомпозиция дисперсии

Похожей работой является исследование «Long Term Structural Price relationship in real estate markets», написанное M. K. Chaudhry, C. A. Rohan и W. H. Sackley [15] в 1999 году. В данной работе исследуются случайные процессы на рынке недвижимости, проводятся тесты на коинтеграцию. В заключении, авторы приходят к выводу, что цены на недвижимость тесно связаны с финансовыми активами. Кроме того, авторы подчеркивают, что результаты этого исследования имеют важное значение для инвесторов. Присутствие коинтеграции активов предоставляет инвесторам возможности перекрестного хеджирования, особенно если рынки отличаются ликвидностью. С другой стороны, отсутствие коинтеграции должно заинтересовать тех, кто стремится к диверсификации.

В следующем кластере работ рассмотрим влияние экологии на цену квартиры. Впервые научно обоснованный подход к проблеме людей платить за качество окружающей среды был рассмотрен в работе Rosen [24] в 1974 году, однако, стоит выделить работу П.К. Катышева и Ю.А. Хакимовой [6], выполненную в 2012 году. Работа описывает взаимосвязь цены квартиры и набора экологических факторов. Авторы подчеркивают, что данная работа является продолжением исследования Катышева и Эйсмонта 2010 года [7]. В новой работе они расширяют набор экологических факторов, влияющих на ценообразование на рынке недвижимости.

В качестве экологических факторов были взяты значения диоксида углерода (CO), оксида азота (NO) и двуокиси азота (NO₂). В работе были рассмотрены несколько моделей (рис. 8 и 9): линейная (зависимая переменная - цена квартиры), логарифмическая (зависимая переменная - логарифм цены) и линейная (зависимая переменная - цена квадратного метра общей площади).

Рис 8. Зависимость цены квартиры от общей площади



Рис 9. Зависимость логарифма цены квартиры от общей площади

На основе сравнения линейных и логарифмических моделей авторы пришли к выводу, что наиболее качественные выводы показывает логарифмическая модель, в которой значимыми переменными оказались концентрация угарного газа и расстояние до ближайшего промышленного предприятия (смотри таблицу 3).

Таблица 3. Характеристики переменных логарифмической модели

Показатель	Коэффициент	Значимость
Константа	3,484	Значим на 1% уровне
Жилая площадь (кв.м.)	0,513	Значим на 1% уровне
Площадь кухни (кв.м.)	0,297	Значим на 1% уровне
Дополнительная площадь (кв.м.)	0,202	Значим на 1% уровне
Время до центра города (мин.)	0,23	Значим на 1% уровне
Время до станции метро (мин.)	-0,043	Значим на 1% уровне
Прин. значение 1, если дом монолитный	0,084	Значим на 5% уровне
Прин. значение 1, если дом кирпичный	0,022	Значим на 5% уровне
Принимается значение 1, если дом блочный	-0,024	Значим на 5% уровне
Принимается значение 1, если квартира расположена на первом этаже	-0,095	Значим на 1% уровне
Принимается значение 1, если квартира расположена на последнем этаже	-0,05	Значим на 1% уровне
Прин. Зн. 1, если метро достижимо пешком	0,095	Значим на 1% уровне
Конц. оксида углерода в воздухе (мг/м3)	-0,084	Значим на 5% уровне
Концентрация оксида азота в воздухе (мг/м3)	-0,463	Не значим на 5% уровне
Расстояние до ближ. пром. предприятия (км)	0,023	Значим на 1% уровне



В соответствии с этой моделью были получены следующие выводы: во-первых, увеличение концентрации угарного газа на 0,1 мг/м³ приводит к удешевлению квартиры на 1%; во-вторых, увеличение расстояния до промышленного предприятия на 1% повышает цену квартиры на 0,023%. Авторы подчеркивают, что несмотря на то, что вторая значимая переменная имеет небольшое влияние на цену квартиры, она является важным показателем экологической обстановки и может быть использована для прогнозирования цены квартиры.

Далее рассмотрим работу Балаша А., Балаша О. и Харламава А. [2] по оценке рынка недвижимости с помощью метода географически взвешенной регрессии. Были собраны данные по продаже продаже однокомнатных квартир на вторичном рынке города Саратова за январь 2006 года. В качестве зависимой переменной была взята цена квартиры (в тыс. руб.), а регрессорами послужили: жилая площадь, площадь кухни, дополнительная площадь, логарифм расстояния от центра, включая такие фиктивные переменные как расположение на первом или последнем этаже, дом малой этажности и другие характеристики дома. Таким образом, на основе зависимости оценок коэффициента регрессии при переменных “жилая площадь” и “площадь кухни” от координат X, Y авторы построили линии уровней по данным двум переменным. Авторы приходят к выводу, что в условных квадратах в центре города средняя стоимость квадратного метра колеблется около 30 тысяч рублей (например, в квадрате X=60, Y= 32), а также они выделяют окраины города, где цена составляет примерно 10 тысяч рублей (рис. 10).



Рис 10. Линии уровней города Саратова по переменной - жилая площадь

Стоит отметить, что условные районы с наиболее дорогими площадями комнат и кухни не совпадают. Авторы предполагают, что причиной может послужить особенности строительства данных районов. Кроме того, для некоторых центральных квадратов города (к примеру квадрат X=57, Y= 32) цена дополнительного метра кухни обойдется дороже дополнительного метра жилой площади (рис. 1).

Рис 11. Линии уровней города Саратова по переменной - площадь кухни

Другой немаловажной темой моего диплома является определение пузырей на рынке недвижимости. Наиболее актуальной является работа С.М. Дробышевского и С.С. Наркевича [3], представляющая анализ возможности возникновения “пузыря” на российском рынке недвижимости. На основе данных по динамике цен на жилье и набору социально-экономических показателей для 61 региона России за период с 2002 по 2006 годов авторы строят регрессионные уравнения для обратной функции спроса со стороны инвесторов и домохозяйств (которые они в дальнейшем объединяют в одно уравнение) и предложения со стороны строительных фирм. При этом сами авторы подчеркивают тот факт, что для выявления спекулятивной составляющей спроса лучше всего было бы использовать другие эмпирические методы (тест Веста, тест на границу дисперсии и тест на коинтеграцию), но из-за коротких временных рядов данных сделать это невозможно.

После декомпозиции спроса на составляющие авторы смогли рассчитать ежегодный суммарный вклад спекулятивных переменных, к которым они отнесли такие переменные как прирост индекса РТС и кредиторская задолженность на одного жителя. Таким образом, за период с 2003 по 2006 годы цены на жилье в России выросли в 2,3 раза, т.е. на 130%, при этом 30% этого прироста было следствием спекулятивного спроса со стороны инвесторов.

Теперь рассмотрим работы, в которых оценивается влияние транспортной доступности на уровень цен на недвижимости. Так, в работе Q. Pan, H. Pan и M. Zhang [23], опубликованной в 2014 году, было изучено воздействие метрополитена городов Хьюстона и Шанхая. Данное исследование интересно и тем, что оба города являются большими, однако Хьюстон имеет ограниченное железнодорожное транзитное обслуживание, а Шанхай имеет обширную железнодорожную транзитную систему. Анализ производился на основе гедонистических моделей (OLS модель использована для метрополитена Шанхая и множественная модель регрессии (MLR) взята для анализа метро Хьюстона) зависимой переменной - логарифма цены недвижимости. Были рассмотрены следующие регрессоры: площадь квартиры, год постройки дома, расстояние до ближайшего метро, расстояние до автобусной остановки, средняя заработная плата, общая доступность работы и другие. Результаты моделирования подтверждают, что железнодорожный транзит оказывает значительное положительное влияние на стоимость жилой недвижимости как в системе Шанхая, так и Хьюстона. Также было выявлено, что центр города не оказывает существенного положительного влияния на стоимость недвижимости.

Также данную тему поднимали исследователи Bowes и Inhanfeldt [14] в 2001 году. Было установлено, что в американском городе Атланта граждане готовы платить больше за квартиру с хорошей транспортной доступностью именно в тех районах, где средний доход индивидов находится на более высоком уровне. А также мне показалась интересной работа M. Dunkan [16], который в 2011 году установил, что даже обустройство тротуаров и пешеходных зон является фактором, увеличивающим стоимость квартир, находящихся поблизости.

В отдельный кластер работ входят исследования, посвященные прогнозированию цен на рынке недвижимости. В частности, хотелось бы затронуть работу Е.А. Арефьевой и Д.С. Костяева [1], в которой авторы с помощью нейронных сетей на базе статистической программы Statistica Neural Networks сформировали обучающую выборку на основе таких факторов как район, количество комнат, этаж, количество этажей в доме, тип дома, площадь квартиры и другие. Были рассмотрены три типа сетей: многослойный персептрон (MLP); сеть радиально-базисных функций (RBF); обобщеннорегрессионная нейронная сеть (GRNN), при этом авторы приходят к выводу, что в условиях ценообразования жилья сеть многослойный персептрон является наилучшей. Они подчеркивают, что модель показала низкие значения ошибок из-за хорошо сформированной обучающей выборки.



2. Анализ текущего положения на рынке недвижимости г. Москвы

Предложение и спрос

Предложение.

Анализируя рисунок 12, можно заметить, что цена квадратного метра на первичном рынке начиная с локального минимума в 1 квартале 2017 (99716 рублей) постепенно растет и уже в 4 квартале 2018 года составляет 114818 рублей.

Рис 12. Стоимость квадратного метра на первичном рынке г. Москвы по кварталам

Теперь рассмотрим динамику вторичного рынка жилья в разрезе округов и районов Москвы. По состоянию на 2017 год самые дешевые квартиры располагаются в Юго-Восточном районе, где квадратный метр стоит около 132500 рублей, а квартиры с самой высокой стоимостью квадратного метра располагаются в Центральном районе, их цена составляет 317500 рублей (рис. 13). Особняком стоит Зеленоградский район, который располагается за пределами МКАД и вошел в состав Москвы лишь в 2012 году. Из-за своего географического расположения стоимость квадратного метра здесь сравнительно ниже и составляет 105000 рублей.



Рис 13. Средняя стоимость квадратного метра на вторичном рынке жилья по округам Москвы за 2017 год

Также в приложении приводится график (рис. 27) цен квадратного метра на вторичном рынке для различных районов Москвы. Минимальная стоимость квадратного метра наблюдается в таких районах как Восточное и Западное Бирюлево (115200 рублей), а максимальная - в Якиманке (327213 рубля) и Тверском районах (353623 рубля). Проводя анализ таблицы 4, можно заметить, что за период с 2010 по 2017 годы число организаций, не относящиеся к субъектам малого предпринимательства, то есть с количеством сотрудников более 15 человек, почти не поменялось. А вот общее число строительных организаций, после сильного спада к 2014 году, имеет тенденцию к росту и на конец 2017 года их число составляет 25812 компаний.

Таблица 4. Количество строительных организаций в Москве

Год	Организации, не относящиеся к субъектам малого предпринимат.	По всем видам организаций
2010	567	36194
2011	506	37973
2012	530	22294
2013	536	21603
2014	576	21509
2015	596	23531
2016	569	26560
2017	504	25812

Кроме того, рентабельность этих компаний (без учета субъектов малого предпринимательства) по состоянию на 2017 год составляет 4,4%, что на 0,5% меньше аналогичного показателя за 2016 год.

Спрос

Рассмотрим различные факторы спроса, влияющие на ценообразование рынка жилья. Во-первых, стоит сказать, что объем задолженности жителей Москвы по жилищным и ипотечным кредитам растет с каждым месяцем (рис. 14). Кроме того, доля задолженности по ипотечным кредитам от общей жилищной задолженности также растет: если на январь 2015 этот показатель был равен 97,96%, то уже в декабре 2017 он равен 99,25%. Этот факт говорит о том, что люди все чаще стали приобретать квартиры в ипотеку.

Рис 14. Жилищная и ипотечная кредиторские задолженности физических лиц г. Москвы

Также рассмотрим такие макроэкономические показатели как инфляция и курсы доллара и евро, которые напрямую влияют на цену квадратного метра. Так, с начала 2016 года показатель базовой инфляции достаточно стабилен не выходил за рамки 2%, а по состоянию на 3 и 4 кварталы 2018 года составлял 1,1% и 1,3%, соответственно. Курс доллара и евро, за промежуток с 1 квартала 2016 года по 4 квартал 2018 года, показывали одинаковые тенденции к снижению (до 1- 2 квартала 2017 года) и последующему росту (до 3 квартала 2018 года). Падение курса было довольно стремительным: доллара потерял около 18 рублей, а евро - 20 рублей за 2016 год (рис. 15). Девальвация рубля должна была оказать сильное влияние на рост цен на недвижимость, а, следовательно, и на снижение платежеспособного спроса населения.

Рис. 15. Курс доллара и евро в России



3. Статистический анализ рынка жилой недвижимости

Приведем гипотезы для проведения статистического анализа:

1. Среди макроэкономических показателей наиболее значимыми окажутся курсы валют, а также ставка рефинансирования ЦБ. Не исключено значительное количество незначимых переменных ввиду относительно низкой вероятности, с которой макроэкономические факторы влияют на квадратный метр жилой площади.

2. На уровне округов, ключевыми факторами, формирующими цену недвижимости, должны стать заработная плата, уровень загрязнений, количество общеобразовательных учреждений и объем инвестиций на душу населения.

3. На московском рынке недвижимости на временном промежутке с 2012 по 2018 годы возможно присутствие “пузыря” ввиду экономического кризиса 2015 года. Однако кризис не так сильно отразился на действиях строительных компаний, как, к примеру, кризис 2008 года. Поэтому, скорее всего “пузырь” в ценах акций строительных компаний будет отсутствовать.

4. Из-за стабильности почти всех макроэкономических показателей, влияющих на ценообразование квартир в Москве, в соответствии с прогнозом, цены в 2019 и 2020 годах должны остаться на том же уровне или же увеличится незначительно.

3.1 Анализ макроэкономических факторов, влияющих на ценообразование на первичном рынке жилья.

Начать данную часть исследования хотелось бы с работы, проведенной в 2011 году аналитиками компании “НДВ - Недвижимость” [33]. Начиная с 2002 года авторами были рассмотрены такие макроэкономические показатели как индекс потребительских цен, ставка рефинансирования ЦБ, инвестиции в основной капитал, оборот розничной торговли и другие. Взаимосвязь всех вышеперечисленных показателей с изменением цен на жилье не превышает 25%. Самыми же существенными показателями, оказывающими наибольшее влияние на рынок недвижимости, стали цены на нефть, стоимость золота, курс доллара и Евро, а также объем денежного обращения. Так, было выявлено, что изменение цен на нефть влияет на стоимость недвижимости лишь с 45% вероятностью, причем влияние это имеет запаздывающий характер с лагом в 2 месяца. Корреляция же между стоимостью золота и ценами на жилье составляет около 49%. Влияние остальных факторов происходит еще с меньшей вероятностью. На основание этого, приходим к выводу, что далеко не все макроэкономические факторы влияют на ценообразование на рынке жилой недвижимости.

Исследование влияния макроэкономических показателей на цену квартиры будет проводится с помощью модели множественной регрессии, описывающаяся в общем виде уравнением (18).

Где - значение регрессора в момент времени t.

Модель имеет следующие гипотезы:

1. - не зависят от t.

2. при ts - ошибки некоррелированы для разных переменных.

3. Ошибки при t = 1,...,n имеют нормальное распределение: .

Данная модель включает ежеквартальные данные с 2009 по 2017 годы. В модель множественной регрессии были включены следующие переменные:

Зависимая переменная:

Price - цена квадратного метра на первичном рынке города Москвы, руб. [36].

Независимые переменные:

Inflation - базовая инфляция в России к предыдущему кварталу, % [40].

Инфляция воздействует на стоимость квартир через повышение процентных ставок по кредиту. Таким образом, чем выше показатель инфляции, тем быстрее происходит рост цен на жилье. Был взят показатель именно базовой инфляции, поскольку она рассчитывается на основе индекса потребительских цен без учета энергетических и продовольственных продуктов.

Oil - цена фьючерсов на нефть Brent, $ [26].

Доходы от продажи нефти являются основой бюджета нашей страны. При уменьшении цен на нефть происходит обесценивание национальной валюты относительно доллара, что, в свою очередь, увеличивает себестоимость строительства объектов недвижимости. Строительство жилья производится с помощью зарубежного оборудования и техники, следовательно, растет конечная цена квадратного метра. Однако, в данном случае была выбрана нефть сорта Brent, стоимость которой выражена в долларах, поэтому коэффициент при данном регрессоре должен быть положительным. Стоит отметить, что согласно исследованию 2011 года [17], 70% всех сортов мировой нефти связаны с ценой нефти Brent. В частности, три из пяти сортов российской нефти (Siberian Light, Urals, REBCO) рассчитываются исходя из цен нефти Brent.

Credit - доля просроченной задолженности от общей задолженности по кредитам, предоставляемым кредитным организациям и физическим лицам, % [39].

Чем больше доля просроченной задолженности, тем меньше будет ставка по кредитам, вследствие чего большее количество людей сможет позволить себе взять ипотечный кредит. Это спровоцирует больший спрос на объекты недвижимости, цена на которые станет снижаться. Значит, коэффициент при данном показателе должен быть отрицательным.

Dollar - курс доллара, руб. [37].

Euro - курс евро, руб. [37].

Показатели курса доллара и евро почти идентично влияют на стоимость квадратного метра. При увеличении курса данных валют, стоимость квартир будет также расти.

Refin - ставка рефинансирования, % [38].

Показатель ставки рефинансирования ЦБ представляет собой процент, под который Центральный банк дает займы другим банкам нашей страны. Следовательно, от этого показателя напрямую будет зависеть ставки по кредитам в банках, в том числе ипотечные. Поэтому чем больше ставка рефинансирования, тем больше будут ставки по кредитам в других банках, тем меньше людей смогут позволить себе взять кредит, спрос на недвижимость начнет падать, вследствие чего цена на жилье вырастет при неизменности других показателей. Следовательно, предполагаем, что коэффициент должен быть положительным.

Gold - стоимость 1 грамма золота, руб. [31].

Рост стоимости золота увеличивает курс швейцарского франка, который влияет на снижение курса доллара по отношению к рублю. Укрепление национальной валюты ведет к уменьшению цен на объекты недвижимости. Делаем вывод, что коэффициент показателя отрицательный.

В таблице 5 представлены коэффициенты и характеристики регрессоров получившейся модели (приложение, рис. 29).

Таблица 5. Модель множественной регрессии

Переменная	Коэффициент	Ст. Ошибка	t-стастика	p-value
Const	85778	44983,2	1,907	0,0655
Inflation	3332,03	1315,88	2,532	0,0164
Oil	570,529	193,594	2,947	0,0059
Credit	-7782,63	4448,87	-1,749	0,0898
Dollar	2765,92	1123,25	2,462	0,0194
euro	-779,575	811,981	-0,9601	0,3432
refin	-1846,37	1866,54	-0,9892	0,33
gold	-39,1983	12,2992	-3,187	0,0032

По таблице 5 видно, что значимыми оказались регрессоры inflation, oil, dollar, gold на 5% уровне значимости, однако количество значимых переменных может поменяться при применении процедуры последовательного исключения регрессоров. В целом модель является значимой, поскольку p-value (F) = 0,000685.

Сначала был применен Тест Рамсея (приложение, рис. 29), который используется для определения правильной спецификации модели. Он основан на вспомогательной регрессии зависимой переменной (19) от факторов исходной модели и различными степенями зависимой переменной.

Необходимо проверить следующую гипотезы:

H0: = = … = = 0

Если же нулевая гипотеза будет отвергнута, то необходимо добавить в уравнение регрессии нелинейные степени независимых переменных.

Результаты теста показывают, что при значении F = 2,1763, p-value = 0.131, следовательно, на 5% уровне значимости нулевая гипотеза не отвергается. Значит, спецификацию модели можно считать правильной, продолжаем исследование.

Далее был проведем тест на нормальное распределение остатков модели (приложение, рис. 30). При значении статистики = 0,204, p-value составляет 0,903, следовательно, нулевая гипотеза не отвергается и остатки распределены нормально.

Необходимо также проверить модель на наличие линейной зависимости между объясняющими (независимыми) переменными, то есть на наличие мультиколлинеарности. Для этого рассчитаем значение VIF, которые определяются по формуле (20).



Где j {2;…; k}, - коэффициент множественной детерминации в регрессии фактора на все остальные факторы. Принято считать, что если значение VIF больше 8 хотя бы по одному из регрессоров, то можно говорить о наличие мультиколлинеарности.

Таблица 6. Значения VIF - ов для объясняющих переменных

Переменная	VIF
Inflation	1,071
Oil	9,609
Credit	2,587
Dollar	119,802
Euro	54,257
Refin	2,346
Gold	20,225

По таблице 6 видно, что в данной модели наблюдается мультиколлинеарность сразу по четырем регрессорам: oil, dollar, euro, gold. Это не удивительно, ведь все включенные в модель макроэкономические показатели так или иначе взаимосвязаны друг с другом. Так, например, рост стоимости золота отражается на повышении цены швейцарского франка. А увеличение курса франка, в свою очередь, влияет на снижение курса доллара по отношению к другим валютам.

Также присутствует взаимосвязь между американским долларом и ценой на нефть. Поскольку экономике США не хватает своих запасов нефти, то они вынуждены импортировать ее у других стран, среди которых числится Канада (около 33% от общего объема американского импорта нефти), Саудовская Аравия (17,2%), Мексика (11%) и многие другие. Все это сильно отражается на стоимости американских товаров как на внутреннем, так и на внешних рынках. А это, в свою очередь, негативно влияет на курс национальной валюты. Другим ключевым факторов является тот факт, что при покупке нефти из-за рубежа американским компаниям приходится расплачиваться национальной валютой соответствующей страны импортера. В частности, ряд арабских стран полностью перешел на евро при совершении сделок с нефтью. Таким образом, за счет этих двух ключевых факторов, увеличение цены на нефть влечет за собой рост предложения доллара на американском рынке, вследствие чего, его курс падает. С другой стороны, если нефть начинает падать, то доллар растет оп отношению к остальным валютам.

Одним из способов борьба с мультиколлинерностью является метод главных компонент, который заключается в снижении размерности данных. Однако, так как у нас, во-первых, не такое большое количество переменных, которые возможно объединить в кластеры с помощью данного метода, во-вторых, многие из переменных, обладающие мультиколлинерарностью, являются незначимыми и впоследствии все равно будут удалены из модели. Поэтому, мы воспользуемся более простым методом последовательного исключения переменных с наибольшим значением p-value.

Последним этапом анализа данной модели является проверка остатков на автокорреляцию. Для этого воспользуемся тестом Дарбина-Уотсона (приложение, рис. 32). Нулевой гипотезой данного теста выступает отсутствие автокорреляции в остатках.

H0: (автокорреляция в остатках есть).

H1: (автокорреляции в остатках нет).

Для проверки основной гипотезы используется статистика критерия Дарбина-Уотсона (DW), вычисляемая по формуле (21).

Значение статистики равно: DW = 0.9743 при соответствующем значении p-value = 3,31 * 10^-6 < 0,05, значит, можно говорить о том, что нулевая гипотеза данного теста отвергается и принимается альтернативная гипотеза. Следовательно, автокорреляция в остатках есть.

Автокорреляция в остатках может быть вызвана несколькими факторами. Во-первых, наличие автокорреляции может быть объяснено неправильной спецификацией модели. Например, модель может не содержать фактор, который будет оказывать сильное влияние на зависимую переменную, следовательно, будет влиять на остатки модели, которые окажутся автокоррелированными. Во-вторых, автокорреляция может быть вызвана ошибками измерения в значениях результативного признака.

Необходимо устранить автокорреляцию остатков с помощью процедуры Кохрейна - Оркатта (выполнено вручную в пакете Excel).

Процедура Кохрейна - Оркатта состоит из следующих этапов:

1. Применяя МНК к исходному уравнению регрессии, получаем первоначальные оценки регрессии

2. Далее, вычисляем остатки и вычисляем по формуле (22).

3. Производится преобразование исходного уравнения с помощью соответствующей системы уравнений (23).

Применяем МНК к преобразованному уравнению и получают новые оценки уравнения регрессии. Процесс заканчивается, когда следующее приближение значения коэффициента автокорреляции почти не отличается от соответствующего значения, полученного на предыдущем этапе. В данном случае, нами были проведены 8 итараций со следующими значениями Предварительно нами был задан уровень точности = 0,03.



Таблица 7. Значения коэффициентов автокорреляции для соответствующей итерации

p (i)	Разница коэффициентов корреляции
1 итерация	0,334010472	0
2 итерация	0,558844243	0,224833771
3 итерация	0,71523527	0,156391027
4 итерация	0,791582619	0,076347349
5 итерация	0,83036937	0,038786751
6 итерация	0,857557414	0,027188044
7 итерация	0,882589929	0,025032515
8 итерация	0,910336311	0,027746382

По таблице 7 видно, что на восьмой итерации значение разница между значениями автокорреляции равно 0,0277, что меньше заданного уровня точности. В следствие чего было решено прекратить процедуру Кохрейна - Оркатта на 8 итерации.

После этого был снова проведен тест Дарбина-Уотсона на автокорреляцию (приложение, рис. 33). Таким образом, статистика Дарина - Уотсона равна 1,987 при значении p-value = 0.3784 > 0, 05, следовательно, нулевая гипотеза не отвергается. Автокорреляции в остатках была устранена. После чего модель стала выглядеть следующим образом (таблица 8).

Таблица 8. Модель множественной регрессии после устранения автокорреляции в остатках

Переменная	Коэффициент	Ст. Ошибка	t-стастика	p-value
Const	12670	2492,3	5,084	1,56*10-5
Inflation	1170,51	1132,41	1,034	0,309
Oil	-127,159	137,303	-0,9261	0,3613
Credit	-1366,93	3502,27	-0,3903	0,6989
Dollar	-719,183	745,802	-0,9643	0,3421
Euro	1347,78	638,668	2,11	0,0427
Refin	3553,64	1284,18	2,767	0,0093
Gold	-35,813	10,6688	-3,357	0,002



Как видно по таблице 8, состав значимых переменных после проведения процедуры Кохрейна - Оркатта изменился: значимыми на 5% уровне значимости оказались euro, refin, gold. Далее для данной модели была проведена процедура последовательного исключения переменных (рис). Таким образом, после последовательного исключения незначимых регрессоров (приложение, рис.35) и устранения автокорреляция остатков, мы получили модель, описывающаяся уравнением (24).

(24)

Все основные характеристики коэффициентов данной модели представлены в таблице 9.

Таблица 9. Значения коэффициентов и их характеристики для преобразованной модели

Переменная	Коэффициент	Ст. ошибка	t - статистика	p-value
Const	10173, 5	1478,38	6,881	4,7*10-8
Euro	993,493	367,897	2,7	0,0105
Refin	3091,05	1178,98	2,622	0,0127
Gold	-34,7651	9,39329	-3,701	0,0007

Кроме того, все из представленных выше регрессоров не обладают мультиколлениарностью (приложение, рис.37), в чем мы можем убедиться на основании таблицы 10.

Таблица 10. Значения VIF - ов для объясняющих переменных преобразованной модели

Переменная	VIF
Euro	4,19
Refin	1,343
Gold	3,635



Все получившиеся оценки, включая константу, оказались значимыми на 5% уровне (приложение, рис.36). Кроме того, модель в целом значима (p-value (F) = 0,000267) и обладает средней объясняющей способностью (R² = 0,41).

Наши гипотезы о положительном значении коэффициентов при переменных, характеризующих курс евро и ставку рефинансирования, а также об отрицательном коэффициенте при регрессоре, описывающим стоимость золота, подтвердились. По исследованной модели можем сделать выводы о том, что при увеличении на 1% курса евро: стоимости квадратного метра увеличится на 993 рубля. При увеличении на 1% ставки рефинансирования, цена квадратного метра увеличится на 3091 рубля. А при увеличении цены золота на 1%, цена квадратного метра уменьшится на 35 рубля. Также делаем вывод о незначимости таких показателей как базовая инфляция, курс доллара, цена нефти и доля просроченной кредиторской задолженности.

3.1 Анализ факторов, влияющих на стоимость квадратного метра в различных округах г. Москвы на вторичном рынке жилья.

Далее будет рассмотрена модель панельных данных. Прежде чем переходить к самому исследованию, необходимо сказать почему именно была выбрана именно данная модель.

Панельные данные представляют собой данные по одинаковым экономическим единицам, представленным в различные последовательные периоды времени. Данный вид данных сочетает в себе как временные ряды, так и данные пространственного типа, то есть данные, взятые в любой период времени, соответствуют определенному региону (стране, городу, району и т.д.) и для каждого объекта существует один или несколько временных рядов. Благодаря такой гибкой структуре, модели, построенные на панельных данных, дают более содержательные ответы на те вопросы, на которые не могут ответить модели временных рядов и пространственных данных. К примеру, с помощью данной модели удается проанализировать индивидуальные отличия между отдельными экономическими единицами. Хороший пример был описан в работе Ben-Porah в 1973 году [13], в которой он рассматривает ежегодные данные рынка труда, на основе которых приходит к выводу, что ровно половина замужних женщин работают. Данный вывод можно оценить неоднозначно. С одной стороны, 50% замужних женщин работают полный рабочий день, в то время как остальные 50% не работают вовсе. С другой стороны, в течение года в среднем могут работают 50% женщин. Таким образом, в данной ситуации для получения более адекватного представления о женском рынке труда необходимо применение модели панельных данных, которая позволит проследить поведение отдельных женщин в течение определенного периода времени.

Существует еще несколько показательных примеров преимущества панельных данных по сравнению с остальными моделями. В частности, на микроуровне, проблему расходов домашних хозяйств на определенный товар можно рассмотреть с помощью одной из моделей пространственных данных, в которой в качестве регрессоров будут выступать экономические, социальные и демографические показатели семей. Однако, с помощью анализа панельных данных мы придем к выводу, что расходы домохозяйств на определенный товар будут зависеть не только от их доходов, но и от некоторых других факторов (например, от обычаев и культуры), которые будут индивидуальны для каждой семьи.

Также и в макроэкономике с помощью модели панельных данных удается учесть индивидуальные особенности регионов страны или районов города. Так, например, на уровень ВВП на душу населения оказывают влияние различные факторы, среди которых объем инвестиций, денежная масса, уровень инфляции и т.д., однако существуют и другие показатели, которые невозможно представить в численной форме (географическое положение страны, ее история). Все эти факторы независимы от времени, поэтому имея только пространственные данные мы сможем оценить зависимость показателя ВВП на душу населения от экономических показателей для национальной экономики отдельной страны, однако будет невозможным оценить индивидуальные различия между странами.

Существует три модели панельных данных. Первая из них представляет простейшую линейную модель и носит название объединенной моделью регрессии (pooled model). Она описывается уравнением (25).

Где y_it - зависимая переменная экономической единицы i в момент времени t, x_it - набор независимых переменных (регрессоров) и - ошибка модели, которые некоррелированы как по переменной i, так и по времени t.

Также обозначим следующие переменные модели , при этом i = 1,…, n, t = 1,..., T.

, ,

Полученные МНК-оценки коэффициентов регрессии оказываются эффективными и состоятельными.

Две остальные модели со фиксированными и случайными эффектами основаны на следующем уравнении (26).

Где представляет собой индивидуальный эффект объекта i, который независим от времени, кроме того, регрессоры не содержат константу.

В модели с фиксированными эффектами (fixed effect model) считают, что величина является неизвестным параметром. В то время как в модели со случайными эффектами (fixed effect model) данная величина описывается уравнением (27).

где - параметр, являющийся одинаковым для всех объектов вне зависимости от времени, а - некоррелированные ошибки как с соответствующими ошибками , так и при разных объектах i.

Для исследования модели панельных данных были взяты следующие переменных, каждая из которых были предварительно прологарифмированы.

Каждая из переменных была сформирована на основе средних значений показателей районов, входящих в соответствующий округ. Всего было рассмотрено 10 следующих округов Москвы: Восточный, Западный, Зеленоградский, Северный, Северо-Восточный, Северо-западный, Центральный, Юго-восточный, Юго-западный и Южный.

Данные рассматривались за шестилетний временной промежуток: с 2012 по 2017 годы.

Рассмотрим каждую из переменных подробнее, опишем причины, по которым именно эти показатели вошли в состав регрессоров данной модели и выдвинем предпосылки как для отдельных регрессоров, так и для всей модели в целом.

Ln (price) - стоимость квадратного метра на вторичном рынке региона Москвы.

Ln (area) - общая площадь жилых помещений, введенных в действие за год, приходящаяся в среднем на одного жителя округа (тысяч квадратных км).

Данный показатель представляет собой предложение на первичном рынке жилья. Однако он будет оказывать влияние на спрос и на вторичном рынке: чем больше площадь жилых помещений на одного жителя, тем меньше спрос, то есть меньше людей будут искать себе квартиру на вторичном рынке жилья. Следовательно, это повлечет снижение цен на вторичном рынке недвижимости.

Ln (salary) - средняя номинальная заработная плата работников крупных и средних предприятий и некоммерческих организаций (рублей).

Заработная плата работников предприятий и организаций показывает привлекательность района для предпринимателей. Таким образом, чем выше в данном районе заработная плата, тем больше будет цена квартиры.

Ln (density) - плотность населения округа (человек на квадратный км).

С одной стороны, чем больше плотность населения района, тем сильнее будут загружены автомобильные дороги, общественный транспорт, торговые центры и другие объекты инфраструктуры. Следовательно, при увеличении плотности объем спроса на квартиры в таких районах будет уменьшаться. С другой стороны, низкая плотность района может говорить о высоких ценах на квартиры, сформировавшиеся под влиянием других факторов (например, близость к центру города). Следовательно, в районах с низкой плотностью населения цены квартиры могут быть высокими.

Ln (emergency) - доля площади жилых помещений в ветхих и аварийных жилых домах (%).

Чем больше площадь помещений в ветхих строениях, тем неблагоприятнее данный район для граждан. При увеличении доли таких зданий спрос на квартиры в районе будет падать, что повлечет снижении цены. Однако, самые старые дома с аварийными квартирами в основном расположены в центре города, где априори цены на квартиры выше, чем на окраинах города, где преимущественно находятся новостройки с квартирами в хорошем состоянии.

Ln (school) - число общеобразовательных организаций на начало учебного года на квадратный км.

С увеличением числа общеобразовательных организаций района, будет расти и цена квартир, находящихся поблизости, поскольку семьи приобретающие такие квартиры будут экономить не только время, но и иметь больший выбор.

Ln (pollution) - количество выброшенных веществ в атмосферу (тонн на квадратный км).

Чем больше выбросов в атмосферу загрязняющих веществ, тем менее благоприятней будет район для потенциальных покупателей или съемщиков квартиры на вторичном рынке.

Ln (rest) - число организаций культурно-досугового типа на квадратный км.

Данный показатель очень схож с пятым показателем и также относится к инфраструктуре района. Жителям района очень важно разнообразие и близость культурно-развлекательных мест, в которых они бы могли проводить свое свободное время. И чем больше этот показатель в расчете на площадь соответствующего района, тем больше будет цена квартиры.

Ln (investing) - объем инвестиций в основной капитал округа (за исключением бюджетных средств) на одного человека (рублей на человека).

На основе данного показателя можно сделать вывод о том, сколько денежных средств вкладывается в развитие района в расчете на каждого гражданина.

Ln (family) - число семей, получивших жилые помещения или улучшившие жилые условия к отчетному году (с 2008 года).

Очень интересным и нетипичным является показатель получения (улучшения) семьями квартир. Семьи, получившие новые квартиры или улучшившие свои жилищные условия, не будут искать себе новое место жительства на вторичном рынке. Значит, при увеличении данного показателя спрос будет уменьшаться, что, в свою очередь, повлечет уменьшение цены.

Прежде, чем переходить к построению, анализу и выбору трех вышеописанных моделей панельных данных, сделаем предположение какая из моделей окажется наилучшей в нашем случае.

Обычная модель панельных данных (pooled regression) предполагает, что у экономических объектов нет индивидуальных различий. Как правило, такая модель используется крайне редко и только в довольно простых моделях. Модель с фиксированными эффектами (fixed effects) используется при анализе данных на уровне больших предприятий, отраслей или районов. Если же объекты попадают в модель панельных данных случайным образом из большой совокупности данных, то принято использовать модель со случайными эффектами (random effects). Например, если мы исследуем небольшие фирмы, организации или отдельное число индивидуумов. Поскольку, мы рассматриваем районы Москвы, то предпочтительнее будет использовать модель с фиксированными эффектами.

Простая объединенная регрессия.

Как видно по таблице 11, оказались незначимыми следующие регрессоры: ln (area), ln(density), ln(pollution), ln (rest), ln(investing). Самое большое влияние среди значимых регрессоров оказывают показатели средней заработной платы (ln(salary)) и число общеобразовательных организаций (ln(school)).

Таблица 11. Характеристики pooled модели

Переменная	Коэффициент	Ст. Ошибка	t-statistic	p-value
Const	5,7726	2,1739	2,6553	0,0106
ln (area)	0,0177	0,0119	1,4822	0,1445
ln(salary)	0,512	0,1812	2,8251	0,0068
ln(density)	0,0966	0,1128	0,8568	0,3956
ln(emergency)	0,0829	0,0207	3,9996	0,0002
ln(school)	0,1518	0,0694	2,1857	0,0335
ln(pollution)	-0,0538	0,027	-1,9942	0,0516
ln(rest)	-0,022	0,0516	-0,4256	0,6722
ln(investing)	0,017	0,0349	0,5027	0,6174
ln(family)	-0,0575	0,026	-2,2054	0,032

Однако, в целом модель оказалась значимой на 5% уровне значимости, поскольку prob (F-statistic) = 0.000000 < 0.05 (приложение, рис.38). Кроме того, данная модель обладает хорошей объясняющей способностью, поскольку R²_adj = 0.72.

Вполне возможно, что при учете индивидуальных эффектов оценки могут существенно измениться.

Модель с фиксированными эффектами.

При рассмотрении модели с фиксированными эффектами должны выполняться следующие условия.

a) Ошибки должны быть некоррелированы между собой по обоим переменным t и i, следовательно, E( = 0, V( =

b) Также ошибки в данной модели некоррелированы с регрессорами при всех значениях параметров t, s, j, i.

При введении фиктивных переменных для каждой экономической единицы: = 1, если i = j и = 0, если i j, то уравнение (28) будет записано в более знакомом виде линейной регрессии:

На основе данного уравнения можно рассматривать обычную регрессионную модель и получать оценки и с помощью метода наименьших квадратов. При этом при выполнении вышеперечисленных ограничений для модели фиксированных эффектов, наши оценки будут получаться эффективными и несмещенными.

Таблица 12. Характеристики модели с фиксированными эффектами

Переменная	Коэффициент	Ст. Ошибка	t-statistic	p-value
Const	33,2331	19,99079	1,661	0,1042
ln (area)	0,0042	0,0107	0,3948	0,695
ln(salary)	0,0883	0,2082	0,424	0,6738
ln(density)	-2,3158	2,3544	-0,9836	0,3311
ln(emergency)	0,0379	0,0209	1,8122	0,0773
ln(school)	-0,0737	0,0589	-1,2514	0,2179
ln(pollution)	0,0051	0,0278	0,1834	0,8554
ln(rest)	-0,0227	0,1058	-0,2146	0,8311
ln(investing)	-0,0481	0,0393	-1,2229	0,2283
ln(family)	-0,0596	0,01765	-3,3783	0,0016

Как видно по таблице 12, в модели фиксированных эффектов изменились не только коэффициенты регрессии, но и значимость некоторых переменных. Так, в данной модели значимыми оказались только переменные ln(emergency), ln(family) на 10% уровне значимости. Однако, в целом модель также остается значимой на 5% уровне, поскольку prob (F-statistics) = 0.00000 < 0.05 (приложение, рис. 39). Стоит отметить, что в данном случае оценивать объясняющую способность модели с помощью коэффициента детерминации (R²) или скорректированного (R²_adj) неверно. Поскольку, внутригрупповая и межгрупповая модели имеют дело с разными вариациями зависимой переменной.

Теперь необходимо оценить, какая из двух вышеописанных моделей лучше. Для этого применим F-test (тест Вальда) с нулевой гипотезой: H₀: в модели с фиксированными эффектами.

Поскольку p-value (F) = 0.0000 < 0.05, то нулевая гипотеза отвергается (приложение, рис.40). Значит, регрессионная модель с фиксированными эффектами лучше подходит для описания данных, чем модель простой регрессии.

Далее оценим модель со случайными эффектами, которая является компромиссом между обычной моделью регрессии и моделью с фиксированными эффектами, описывающаяся уравнением (29).

Где - константа, - случайная ошибка, которая является неизменной во времени для каждого экономического наблюдения, следовательно, в условиях данной модели предполагается случайный характер индивидуальных различий объектов. При этом для данной модели выполняются следующие условия:

a) Ошибки должны быть некоррелированны с регрессорами при любых значениях переменных i, j, t, s

b) Ошибки должны быть некоррелированны между собой, то есть E( = 0, V( =

c) Ошибки также должны быть некоррелированы (E( = 0, V( = )

Модель может оказаться наилучшей в том случае, если, во-первых, модель с фиксированными эффектами не позволяет оценить коэффициенты при инвариантных по времени регрессорах, поскольку они могут быть исключены из модели после преобразования “within”. Во-вторых, зачастую коэффициенты модели с фиксированными эффектами оказываются не очень эффективными, хотя и являются состоятельными. Поэтому может сложиться ситуация, когда коэффициенты перед наиболее важными для нас регрессорами в этой модели могут оказаться незначимыми. А модель сквозной (обычной) регрессии хоть и лишена вышеперечисленных недостатков, однако может дать несостоятельные оценки в виду отсутствия гетерогенности.

Таблица 13. Характеристики модели со случайными эффектами

Переменная	Коэффициент	Ст. Ошибка	t-statistic	p-value
Const	5,7726	2,1739	2,66	0,008
ln (area)	0,0177	0,0119	1,48	0,138
ln(salary)	0,512	0,1812	2,83	0,005
ln(density)	0,0966	0,1128	0,86	0,392
ln(emergency)	0,0829	0,2073	4	0
ln(school)	0,1518	0,0694	2,19	0,029
ln(pollution)	-0,0538	0,027	-1,99	0,046
ln(rest)	-0,022	0,0516	-0,43	0,67
ln(investing)	0,0175	0,03499	0,5	0,615
ln(family)	-0,0575	2,1739	2,66	0,008



Как видно по таблице 13, значимыми (на 5% уровне) в данном случае оказались переменные ln(salary), ln(emergency), ln(school), ln(pollution) и ln(family). Стоит отметить, что в целом модель также оказалась значима (prob (F-statistics) = 0.0000). Однако, качество данной модели нельзя оценивать с помощью коэффициента детерминации, так как данная модель оценивается с помощью обобщенного метода наименьших квадратов (GLS), для которой этот показатель не является адекватной мерой качество подгонки. В данном случае необходимо смотреть не статистику Вальда: Wald chi2 (9) = 159.86 (приложение, рис.41).

Теперь необходимо сравнить сквозную регрессию со случайными эффектами. Для этого применим тест Бройша - Пагана (приложение, рис. 43), который проверяет следующую пару гипотез:

H0: Var (u) = 0

H1: Var (u) 0

При равенстве нулевой гипотезы, и , где и соответственно ошибки дисперсии в моделях обычной и модели с фиксированными эффектами.

Для больших же выборок, применяется тест множителей Лагранжа, статистика которого при выполнении нулевой гипотезы подчиняется Хи-квадрат распределению и вычисляется по формуле (30).

Поскольку p-value = 1.0 > 0.05, то основная гипотеза не отвергается. Значит, модель со случайными эффектами хуже описывает наши данные, чем модель обычной регрессии.

Наконец, на основе теста Хаусмана (приложение, рис. 42) проведем сравнение модели со случайными эффектами и фиксированными эффектами.

В данном тесте проверяется следующая нулевая гипотеза:

H0: (случайные эффекты)

H1: (детерминированные эффекты)

Поскольку p-value = 0.000 < 0.05, то основная гипотеза отвергается на 5% уровне значимости. Следовательно, модель с фиксированными эффектами является более предпочтительнее, чем модель со случайными эффектами.

Таким образом, наша первоначальна гипотеза о том, что модель с фиксированными эффектами будет наилучшей, подтвердилась. Это логично, так как для исследования выбирались конкретные населенные пункты и их состав не менялся на протяжении всего рассматриваемого промежутка времени.

Рассмотрим выбранную нами модель более подробно. После исключения незначимых регрессоров из модели с фиксированными эффектами, она стала описываться уравнением (31).

Таблица 14. Характеристики преобразованной модели с фиксированными эффектами

Переменная	Коэффициент	Ст. ошибка	t-statistic	p-value
const	12,84659	0,330759	38,83971	0
ln(emergency)	0,043801	0,014681	2,983446	0,0045

Подобные документы

• Рынок жилья и его роль в развитии муниципального образования

  Обзор информации о рынке жилой недвижимости города Сызрань. Анализ системных связей и закономерностей ценообразования на рынке жилой недвижимости. Методика оценки объектов рынка жилой недвижимости. Тенденции и проблемы его развития, будущие перспективы.
  
  курсовая работа [270,6 K], добавлен 28.05.2014
  

• Анализ первичного и вторичного рынка жилья г. Казани

  Определение понятий рынка недвижимости, жилья, первичного и вторичного рынка. Рассмотрение основных операций с помещениями в частной собственности. Виды, типы и серии жилых домов. Анализ цен предложений на современном рынке жилой недвижимости г. Казань.
  
  реферат [275,8 K], добавлен 19.06.2015
  

• Первичный рынок жилой недвижимости города Минска

  Понятие, сущность и правовые основы регулирования рынка недвижимости. Первичный рынок жилья столицы Республики Беларусь и его мониторинг. Проблемы, сдерживающие развитие первичного рынка жилой недвижимости Республики Беларусь на современном этапе.
  
  дипломная работа [4,3 M], добавлен 05.06.2016
  

• Анализ эффективности сделок на вторичном рынке жилья на примере ООО "Агентства недвижимости Бизнес и Право"

  Рынок 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 19.11.2015
  

• Экономико-статистический анализ рынка печатных СМИ Великого Новгорода

  Характеристика основных методов экономико-статистического анализа. Анализ ситуации на новгородском рынке недвижимости за 2008 г. с применением показателей метода динамических рядов, оценка спроса и предложения на основе подсчета относительных величин.
  
  контрольная работа [383,8 K], добавлен 20.05.2012
  

• Оценка жилой недвижимости

  Правовые 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 14.12.2010
  

• Анализ рынка жилой недвижимости Новосибирской области и Колыванского района

  Понятия и законодательная база рынка недвижимости. Способы и основные методы определения ее стоимости. Анализ ипотечного кредитования, первичного и вторичного рынка жилья, динамики продаж жилой недвижимости Новосибирской области и Колыванского района.
  
  дипломная работа [69,5 K], добавлен 17.12.2013
  

• Анализ рынка жилой недвижимости

  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 19.09.2016
  

• Статистическое изучение рынка недвижимости в регионе

  Основные черты рынка жилья. Организация и механизм функционирования жилищного рынка. Инструменты статистического наблюдения за рынком недвижимости. Цели и направления, задачи и этапы анализа рынка недвижимости. Рынок жилья в России на сегодняшний день.
  
  курсовая работа [110,8 K], добавлен 23.07.2012
  

• Рыночная оценка недвижимости

  Последовательность 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 18.01.2016
  

• Оценка стоимости жилой недвижимости по адресу г. Новосибирск, ул. Беловежская 10

  Оценка 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 22.01.2014
  

• Оценка жилой недвижимости

  Понятие, сущность и классификация объектов жилой недвижимости, их разновидности и характеристика. Законодательно-правовые основы оценки жилой недвижимости. Анализ соответствующего рынка и тенденции его развития. Совершенствование процесса оценки.
  
  дипломная работа [1,1 M], добавлен 14.08.2015
  

• Основы управления недвижимостью

  Анализ рынка недвижимости г. Стерлитамака. Риэлтерская деятельность. Аренда недвижимости. Реструктуризация жилищно-коммунальной сферы и управление отдельно взятым объектом недвижимости. Правовое регулирование на рынке оборота жилой недвижимости города.
  
  курсовая работа [500,4 K], добавлен 07.01.2008
  

• Динамика предложения и цен на рынке вторичного жилья города Минска

  Экономическая сущность, функции и оценка недвижимости. Обзор динамики изменения средней цены предложения и фактической цены на рынке вторичного жилья в городе Минске. Изучение средней стоимости квартир. Законодательная база рынка жилой недвижимости.
  
  курсовая работа [2,3 M], добавлен 10.12.2014
  

• Методические подходы к анализу рынка недвижимости

  Понятие рынка недвижимости в РФ и его основные сегменты, закономерности его становления и функционирования, классификация и типы. Анализ рынка жилой недвижимости в г. Саратов в условиях кризиса, исследование его главных проблем и перспектив развития.
  
  курсовая работа [49,6 K], добавлен 17.04.2016
  

• Рынок жилой недвижимости города Ростова-на-Дону (ценовая ситуация и себестоимость строительства)

  Общая характеристика рынка недвижимости города Ростова-на-Дону. Цены на вторичном рынке жилья. Коттеджное строительство, земельные участки, аренда квартир и коммерческая недвижимость. Сметная, плановая и фактическая себестоимость строительных работ.
  
  реферат [1,0 M], добавлен 19.05.2016
  

• Типологическая классификация объектов недвижимости на территории квартала муниципального образования

  Анализ ситуации на рынке жилой недвижимости в городах Уфа, Стерлитамак и Оренбург, характеристика застройки. Классификация объектов внутриквартальной застройки. Изучение рынка жилой недвижимости, сведения о ее состоянии. Разработка рекомендаций.
  
  контрольная работа [569,6 K], добавлен 22.09.2019
  

• Сегменты рынка недвижимости и их характеристика

  Сегментация рынка недвижимости: жилья; коммерческой недвижимости; земельных участков. Характеристика рынка жилой недвижимости Поволжья. Сделки купли-продажи больших земельных участков в Казани. Средняя стоимость объектов первичного и вторичного рынка.
  
  контрольная работа [681,6 K], добавлен 16.08.2010
  

• Анализ рынка недвижимости в Саратове и Саратовской области

  Состояние российского рынка недвижимости. Анализ рынка жилой недвижимости в городе Саратове и Саратовской области. Динамика стоимости квартир. Арендные ставки торгово-офисных помещений Саратова. Анализ рынка производственно-складских помещений города.
  
  контрольная работа [625,3 K], добавлен 25.06.2012
  

• Исследование рынка недвижимости в старой части города Набережные Челны

  Определение средней стоимости 1м2 жилья в старой части города, его зависимость от расположения объекта недвижимости. Характеристика города Набережные Челны, его административное деление. Критерии сегментирования рынка недвижимости, его SWOT-анализ.
  
  курсовая работа [1,4 M], добавлен 13.04.2014
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам