Прогнозирование цен на рынке жилья в условиях изменения основной тенденции
Автор: Боченина М.В.
Журнал: Теория и практика общественного развития @teoria-practica
Рубрика: Экономика
Статья в выпуске: 8, 2023 года.
Бесплатный доступ
Развитие цифровых технологий способствует росту использования непараметрических методов. В представленном исследовании предложена методика прогнозной оценки цен на рынке жилой недвижимости с учетом возможного определения направления динамики в периоде упреждения на основе применения непараметрической оценки Надарая - Уотсона. Построение прогнозной модели в работе рассматривается на основе исторически сложившейся тенденции определения уровня цен первичного или вторичного рынка жилья Краснодарского края и не учитывает другие факторы. Отдельное внимание уделено применению теста Чоу для выявления момента времени, в который произошел структурный сдвиг, что позволяет определить период, лишенный структурных сдвигов для моделирования тенденции с целью определения доверительного интервала прогноза. Существующая жилищная проблема отражает актуальность развития методов прогнозирования динамики цен на рынке жилья, а отсутствие дополнительных факторов сокращает погрешность и увеличивает качество прогноза.
Прогнозирование, рынок жилья, цены по фактическим сделкам, тренд, оценка надарая - уотсона, структурные сдвиги, динамика, доверительный интервал прогноза
Короткий адрес: https://sciup.org/149143313
IDR: 149143313 | DOI: 10.24158/tipor.2023.8.16
Текст научной статьи Прогнозирование цен на рынке жилья в условиях изменения основной тенденции
Санкт-Петербургский государственный экономический университет, Санкт-Петербург, Россия, ,
St. Petersburg State University of Economics, St. Petersburg, Russia, ,
Построению моделей прогнозирования процессов на рынке жилой недвижимости посвящено много научных работ. В первую очередь это труды Г.М. Стерника, в которых модели учитывали фундаментальные факторы, формирующие любой рынок – потребность, доходы населения, адекватное предложение жилья (Стерник, 2012). Однако построение прогнозов по моделям, включающим факторные признаки, сопряжено с перспективной оценкой каждого из них. Г.М. Стерником также рассматривались прогнозные модели, в которых уравнение тренда было построено, не исходя из подходящего сглаживания ряда, а опираясь на гипотезу о возможной тенденции изучаемого процесса, но и у этих моделей предсказательная сила сходит на нет при изменении тренда (Стерник и др., 2014).
Н.С. Никитиной (2022) представлен сравнительный анализ фактического и прогнозного значения индекса номинальных цен жилья на вторичном рынке России, полученного по таким моделям, как: интегрированная модель авторегрессии скользящего среднего ( ARIMA ), уравнение тренда на основе метода наименьших квадратов (МНК), лассо и гребневая регрессия ( ridge regression ), модели на основе экспоненциального сглаживания. В качестве признаков исследователем рассматривались цены на нефть, внутренний валовой продукт (ВВП), ставки межбанковского кредитования, реальный эффективный валютный курс. Рассмотренные модели можно использовать для краткосрочных прогнозов в условиях сохранения тенденции для всех анализируемых признаков.
Поэтому для моделей тенденции и тех, которые построены на основе факторных признаков, в условиях возможных структурных сдвигов актуальность приобретают методы оценки, игнорирующие причинные связи, что в сложных условиях дает определенную свободу для получения хороших прогнозов. Определение и апробация методики построения прогнозных оценок при отклонении от исторически сложившегося тренда явились целями настоящего исследования.
В качестве информационной базы рассматривались открытые данные рынка жилой недвижимости Краснодарского края, размещенные на сайте «СберИндекс»1.
Стоимостные признаки приведены к сопоставимым ценам мая 2023 г. с помощью индекса потребительских цен2.
Методология исследования . Анализ тенденции временного ряда в первую очередь принято начинать с визуального представления данных, проверки ряда на стационарность и, по возможности, с построения уравнения тренда для нестационарного ряда с помощью метода наименьших квадратов (МНК). Создание прогнозной модели также предполагает применение широкого эконометрического инструментария, включающего адаптивные методы экспоненциального сглаживания (Лукашин, 2006) и авторегрессионные интегрированные модели скользящего среднего (Светуньков и др., 2022).
Оценка качества прогнозных оценок основана на использовании ex post прогноза, то есть на сравнении фактического значения с полученной оценкой (Коссов, 2022). В результате ex post- оценки может оказаться, что фактическое значение не входит в границы 95-процентного доверительного интервала. Это позволяет предположить смену исторически сложившейся тенденции и построение новой модели, так как неучтенные изменения приведут к некачественному прогнозу. Определить наиболее вероятное направление динамики в краткосрочной перспективе можно, например, с помощью непараметрических методов (Nathan, 2015).
Результаты . Анализ динамики ежемесячных цен по фактическим сделкам на вторичном рынке Краснодарского края (рис. 1) показал, что процесс в период 01.2019 – 04.2023 гг. является нестационарным, согласно расширенному тесту Дики – Фуллера ( ADF ), но стационарным являются его первые разности в случае отсутствия константы p -значение = 0,01, а с константой – вторые разности p -значение = 4,7 х 10-9.
Тенденция характеризуется линейным трендом с детерминацией R 2 = 0,82, но в остатках уравнения, представленного на рис. 1 наблюдается автокорреляция, rho = 0,99. Построение уравнения тренда обобщенным методом наименьших квадратов (ОМНК) не позволило устранить автокорреляцию в остатках, rho = 0,7. Моделирование процесса с помощью интегрированной авторегрессионной модели скользящего среднего, ARIMA (1, 2, 1) выявило, что остатки не имеют нормального распределения; согласно проведенному тесту, / 2 (2) = 33,9, p -значение = 4,4 х 10-8. Таким образом, в остатках построенных моделей наблюдается нарушение предпосылок МНК, что позволяет выдвинуть гипотезу о наличии структурных сдвигов в исследуемом временном ряду.

Рисунок 1 – Цена м2 по фактическим сделкам на вторичном рынке Краснодарского края в сопоставимых ценах мая 2023 г., январь 2019 г. – апрель 2023 г., руб. 1
Figure 1 – Price of м2 by actual transactions in the secondary market of Krasnodar Krai in comparable prices of May 2023, January 2019 – April 2023, RUB.
Момент, соответствующий наиболее значимому структурному сдвигу, был выявлен по величине максимальной статистики теста Чоу, приведенной в табл. 1, созданной для линейного тренда цены фактических сделок на вторичном рынке, p 2. Нулевая гипотеза теста Чоу соответствует отсутствию структурных изменений, поэтому p -значение, не превышающее 0,05, свидетельствует о наличии структурного сдвига (табл. 1).
Таблица 1 – Тест Чоу для цены м2 по фактическим сделкам на вторичном рынке Краснодарского края в сопоставимых ценах мая 2023 г., январь 2019 г. – апрель 2023 г., руб.
Table 1 – Chow test for м2 price by actual transactions in the secondary market of Krasnodar Krai in comparable prices of May 2023, January 2019 – April 2023, rubles.
Дата |
03.2021 |
12.2021 |
01.2022 |
02.2022 |
08.2022 |
09.2022 |
10.2022 |
11.2022 |
Тестовая статистика |
166 |
222 |
271 |
200 |
287 |
542 |
412 |
242 |
p -значение |
9 х 10-37 |
6 х 10-49 |
2 х 10-59 |
4 х 10-44 |
6 х 10-63 |
2 х 10-118 |
3 х 10-90 |
4 х 10-53 |
Существенный структурный сдвиг в функции тренда соответствует сентябрю 2022 г. (см. табл. 1). Уравнение тренда цен м2 фактических сделок на вторичном рынке Краснодарского края в сопоставимых ценах мая 2023 г. ( p 2) построено для периода 09.2022 г. – 04.2023 г. и имеет следующий вид:
р2 = 149385 - 2649,84С+е£, (1)
где е£ - случайные остатки модели, в которых соблюдаются необходимые предпосылки МНК, репрезентированные в табл. 2.
Таблица 2 – Тестовые статистики для остатков модели (1)
Table 2 – Test statistics for residuals of model (1)
Нулевая гипотеза |
Тестовая статистика |
p -значение |
Ошибки распределены по нормальному закону |
%2(2) = 0,82 |
0,66 |
Гетероскедастичность в остатках отсутствует: - тест Уайта ( White ); |
LM = 1,91 |
0,38 |
- тест Бреуша – Пагана ( Breusch – Pagan ); |
LM = 0,56 |
0,45 |
- тест Кенкера ( Koenker ) |
LM = 1,90 |
0,16 |
Автокорреляция в остатках отсутствует |
DW = 1,51 |
0,09 |
Обозначения: %2 - критерий Хи-квадрат; LM - тест множителей Лагранжа; DW - критерий Дарбина -Уотсона.
Коэффициент детерминации R2= 0,96, что говорит о хорошем качестве модели и подтверждается ошибкой аппроксимации MAPE = 0,71 %. Доверительный 95-процентный интервал прогноза по линейному тренду (1) на май 2023 г. составил 121 642–129 430 рублей. Однако цена p2 в мае оказалась равной 130 631 руб., что превышает верхнюю границу доверительного интервала. Следовательно, можно выдвинуть гипотезу о смене тенденции, но эта возможность появилась только в результате сравнения фактического и прогнозного значения (ex post-прогноз). По- лученный результат важен для дальнейшего перспективного определения динамики.
Исследователь, не имеющий возможности провести ex post-прогноз, хотел бы иметь инструмент прогнозной оценки возможности изменения тенденции. С этой целью предлагается применить алгоритм Надарая – Уотсона (Nadaraya – Watson), то есть провести непараметрическое определение зависимой переменной для каждого значения независимой переменной на основе функции m (x) – локального взвешенного среднего, где веса определяются ядром Kh (x) с шириной окна h. В эконометрическом программном пакете Gretl ширина окна по умолчанию определя- ется пропорционально величине, минимизирующей среднеквадратическое отклонение.
Оценка Надарая – Уотсона проведена с использованием пакета Gretl , где в качестве зависимой переменной рассматривалась цена фактических сделок p 2, а независимой – момент времени t , исследуемый период 09.2022 г. – 04.2023 г . В результате оценка p 2 на май 2023 г. составила 129 911 руб., что выше уровня апреля 2023 г., показатель которого составил 129 342 руб., а также верхнего уровня интервального прогноза на май 2023 г. по модели (1). Это позволяет предположить, что убывающий тренд замедлится или в мае 2023 г. произойдет смена убывающей тенденции, что и было подтверждено фактическим значением.
О хорошем качестве непараметрической оценки Надарая – Уотсона говорит показатель, аналогичный детерминации в регрессионных моделях, который вычисляется по формуле (2).
R2
E?=i (y i - у)(й - у)]2 Е ?=1 (У ; - у ) 2 I^ i Cv , - у)2’
где у , - фактическое значение зависимой переменной;
у - среднее значение;
у , - расчетное значение, полученное методом Надарая - Уотсона.
В рассматриваемом исследовании величина достоверности аппроксимации R 2 составила 0,99 и характеризует хорошую предсказательную силу непараметрической оценки, что увеличивает вероятность роста цен по фактическим сделкам на вторичном рынке в мае по сравнению с апрелем 2023 г.
Таким образом, проведенное исследование показало, что применение параметрического метода к построеннию прогнозной модели необходимо дополнить непараметрической оценкой с целью определения возможного изменения направления развития исследуемого процесса.
Анализ динамики цен фактических сделок на первичном рынке жилья Краснодарского края ( p 1) за период с января 2019 г. по апрель 2023 г. (рис. 2) показал, что с учетом структурного сдвига, который, согласно тесту Чоу, пришелся на июль 2021 г., для построения прогнозной модели целесообразно рассматривать период с июля 2021 г. по апрель 2023 г.

Рисунок 2 – Цена м2 в ценах мая 2023 г., январь 2019 г. – апрель 2023 г., руб. 1
Figure 2 – Price of м2 in May 2023 prices, January 2019 – April 2023, RUB.
В этом периоде изменение цен характеризуется нелинейной тенденцией. Проверка на стационарность выявила, что это интегрированный процесс первого порядка без константы, согласно расширенному тесту Дики – Фуллера ( ADF ). Поэтому была построена модель ARIMA (1, 1, 7) следующего вида:
pi t = 1,54p1t -! - 0,54p1£ -2 — 0,58ft _7 + ^ t . (3)
где ft и ft-7— случайные остатки модели в момент времени t и с лагом в 7 моментов соответ ственно;
p1t, p1t-1, p1t-2 — цена фактических сделок на первичном рынке в текущий момент времени и с лагом в 1 и 2 момента соответственно.
Коэффициент детерминации R 2 = 0,92. Параметры модели значимы согласно t -статистики, для которой p -значение не превысило 0,05. Остатки имеют нормальное распределение: /2 (2) = 4,5 ; р- значение = 0,11; автокорреляция отсутствует: /2(1) = 0,2 ; р- значение = 0,64; процессы условной гетероскедастичности ( ARCH ) отсутствуют: LM = 2,9; p- значение = 0,09. Ошибка аппроксимации MAPE = 1,29 %. Модель отвечает всем требованиям и может быть использована для прогноза.
Доверительный 95-процентный интервал прогноза по модели (3) на май 2023 г. составил 147 761–157 021 руб. Результат оценки Надарая – Уотсон на май 2023 г. – 153 184 руб. ( R 2= 0,78), что не выходит за границы интервального прогноза, но превышает уровень апреля 2023 г. В такой ситуации можно предположить рост по сравнению с предыдущим периодом, но вероятность мала, так как определение цены находится в границах доверительного интервала прогноза.
Цена по фактическим сделкам в мае 2023 г. составила 151 984 руб.1, что ниже уровня апреля, но попадает в границы доверительного прогнозного интервала. Следовательно, динамика, описанная моделью (3), сохраняется, а модель имеет хорошее качество на перспективу.
Обсуждение . Построение прогнозной модели по временному ряду сопряжено как с трудностью моделирования динамики, так и с оценкой возможного изменения тенденции. Причем определение направления динамики в прогнозном периоде представляется более сложной задачей, чем оценка доверительного интервала прогноза. Применение непараметрической оценки Надарая – Уотсона позволяет лишь предположить направление динамики в прогнозируемом периоде. В то же время выявление предпосылок, указывающих на смену тенденции, улучшает качество прогноза.
По результатам проведенного эмпирического исследования предлагается для использования следующая методика прогнозной оценки с учетом возможного определения направления динамики в периоде упреждения:
– визуализация временного ряда;
– исследование динамического ряда, выявление точек структурных изменений и определение временного периода, который будет использован для построения прогнозной модели;
– моделирование тенденции с использованием трендовых и авторегрессионных интегрированных моделей скользящего среднего;
– вычисление 95-процентного доверительного интервала прогноза;
– определение прогнозного направления динамики по сравнению с предыдущим периодом с применением оценки Надарая – Уотсона;
– подведение итогов на основе полученных результатов прогноза.
Заключение . Анализ и эконометрическое моделирование динамики цен на рынке жилья вносит существенный вклад в понимание процессов, происходящих на рынке жилья. Изменение цен на него представляет нестационарный процесс с подвижной структурой, что необходимо учитывать при формировании прогнозных моделей. Особый интерес представляет перспективная оценка направления изменения цен в периоде упреждения.
В качестве индикатора можно использовать сравнение данных оценки Надарая – Уотсона для цены прогнозного периода и границ 95-процентного доверительного интервала прогноза и значений уровня, предшествующего анализируемому. Если оценка выходит за верхнюю границу прогнозного интервала и при этом превышает уровень в предыдущий момент времени, то высока вероятность роста прогнозируемой цены. Попадание оценки в границы доверительного интервала говорит о сохранении моделируемой тенденции в прогнозном периоде.
Методы и инструменты прогнозирования процессов на рынке жилой недвижимости постоянно развиваются, в данной работе рассмотрен лишь один из аспектов прогнозирования, основанный на исторически сложившейся тенденции.
Список литературы Прогнозирование цен на рынке жилья в условиях изменения основной тенденции
- Коссов В.В. Нормированные цены как инструмент для прогнозирования // Проблемы прогнозирования. 2022. № 3 (192). С. 137-148. DOI: 10.47711/0868-6351-192-137-148
- Лукашин Ю.Л. Адаптивная эконометрика. Нелинейные адаптивные регрессионные модели // Вопросы статистики. 2006. № 6. С. 37-45. EDN: HUHSXT
- Никитина Н.С. Прогнозирование индекса цен недвижимость в России // Экономическое развитие России. 2022. Т. 29, № 6. С. 23-28. EDN: RRPJTB
- Светуньков С.Г., Баженова М.П., Лукаш Е.В. Перспективы использования векторных авторегрессий в экономическом прогнозировании // Современная экономика: проблемы и решения. 2022. № 6 (150). С. 44-57. DOI: 10.17308/meps/2078-9017/2022/6/44-57 EDN: GMDMXM
- Стерник Г.М. Методика среднесрочного прогнозирования развития рынка жилья города (региона) // Имущественные отношения в РФ. 2012. № 9 (132). С. 52-65. EDN: NOWSBM
- Стерник Г.М., Стерник С.Г., Свиридов А.В. Развитие и совершенствование методов прогнозирования рынка жилой недвижимости // Урбанистика и рынок недвижимости. 2014. № 1. С. 53-93. EDN: SHRDAT
- Nathan J. Poisson Forecasting Models: An Introduction // Developments in Marketing Science: Proceedings of the Academy of Marketing Science. N. Y., 2015. P. 294-297. DOI: 10.1007/978-3-319-16976-7_72