Анализ и моделирование влияния макроэкономических факторов на ввод в эксплуатацию жилой недвижимости в России

Обосновывается система статистических показателей, необходимая для построения математико-статистических моделей, отражающих современные отечественные тенденции в развитии рынка жилой недвижимости. Информационными источниками эмпирической составляющей исследования послужили официальные данные Федеральной службы государственной статистики (Росстат), Единой межведомственной информационно-статистической системы (ЕМИСС), Центрального банка Российской Федерации (Банк России), Единой информационной системы жилищного строительства (ЕИСЖС).

На основе квартальных данных за период 2010–2021 гг. с помощью ARIMA и SARIMA-моделей смоделирован и cпрогнозирован на 2022 г. временной ряд объема ввода в эксплуатацию жилья в Российской Федерации. Обе модели позволяют учесть влияние сезонной составляющей. По итогам регрессионного анализа временных рядов отобрана математико-статистическая модель с наилучшими аппроксимирующими характеристиками. Для моделирования объема ввода в эксплуатацию жилой недвижимости на российском рынке с учетом влияния макроэкономических факторов использована ARMAX-модель, которая обладает значимой объясняющей способностью.

Результаты исследования, обоснованные в статье, могут быть, по мнению авторов, интересны аналитическим агентствам, компаниям-застройщикам, банковским структурам, финансистам, экономистам, аналитикам рынка недвижимости или смежных сфер, а также органам власти для стратегического планирования развития рынка недвижимости.

1. Сведения о рынке ипотечного жилищного кредитования в России // Информационный бюллетень. Статистические показатели. Банк России. 2022. Том 6. № 26. 60 с.

2. Жилищное строительство // Аналитическая записка. Банк России. 2021. Том 1. № 4. 37 с.

3. Radonjić M. et al. The Impact of Macroeconomic Factors on Real Estate Prices: Evidence from Montenegro // Ekonomski Pregled. 2019. Vol. 70. No. 4. P. 603–626.

4. Gőkkent G., Ucal M.S. Macroeconomic Factors Affecting Real Estate Markets in Turkey: A VAR Analysis Approach // Briefing Notes in Economics. 2009. No. 80.

5. McCue T.E., Kling J.L. Real Estate Returns and the Macroeconomy // The Journal of Real Estate Research. 1994. Vol. 9. No. 3. P. 277–287.

6. Chaudhry M.K., Rohan A.C., William H.C. Long-Term Structural Price Relationships in Real Estate Markets // Journal of Real Estate Research. 1999. Vol. 18. No. 2. P. 335–354.

7. Lorenz F. et al. Interpretable Machine Learning for Real Estate Market Analysis // Real Estate Economics. 2022. P. 1–31.

8. Potrawa T., Tetereva A. How Much Is the View from the Window Worth? Machine Learning-Driven Hedonic Pricing Model of the Real Estate Market // Journal of Business Research. 2022. Vol. 144. No. 1. P. 50–65.

9. Tchuente D., Nyawa S. Real Estate Price Estimation in French Cities Using Geocoding and Machine Learning // Annals of Operations Research. 2022. Vol. 308. No. 1. P. 571–608.

10. Yu Y. et al. Research on Real Estate Pricing Methods Based on Data Mining and Machine Learning // Neural Computing and Applications. 2021. Vol. 33. No. 9. P. 3925–3937.

11. Ясницкий Л.Н., Ясницкий В.Л. 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. Том 3. № 186. С. 68–84.

12. Hylleberg S. et al. Seasonal Integration and Cointegration // Journal of Econometrics. 1990. Vol. 44. No. 1–2. P. 215–238.

13. Магнус Я.Р., Пересецкий А.А. Катышев П.К. Эконометрика. Начальный курс: Учеб. 9-е изд., испр. М.: Издательский дом «Дело», 2021. 504 с.

14. Подкорытова О.А., Соколов М.В. Анализ временных рядов: учебное пособие для бакалавриата и магистратуры. 2-е изд., перераб. и доп. М.: Издательство Юрайт, 2017. 267 с.