Прогнозирование цен на вторичном рынке жилья Санкт-Петербурга
Автор: Боченина Марина Владимировна
Журнал: Известия Санкт-Петербургского государственного экономического университета @izvestia-spgeu
Рубрика: Финансовый сектор экономики
Статья в выпуске: 4 (106), 2017 года.
Бесплатный доступ
В статье анализируются цены на рынке жилья г. Санкт-Петербурга. Рассматривается моделирование средней цены жилья на основе временного ряда и оценка выбора оптимальной модели авторегрессии проинтегрированного скользящего среднего. Построен прогноз средней цены на вторичном рынке жилья г. Санкт-Петербурга. Акцентируется внимание на оценке качества прогноза и выборе лучшей прогнозной модели.
Авторегрессия, моделирование временного ряда, прогнозирование, рынок жилья, средняя цена 1 кв. м жилья
Короткий адрес: https://sciup.org/14875885
IDR: 14875885
Текст научной статьи Прогнозирование цен на вторичном рынке жилья Санкт-Петербурга
С момента появления в России рынка жилой недвижимости возникла потребность в учете и прогнозировании его развития. За четверть века существования рынка жилья исследователи (например, Стер-ник Г.М., Стерник С.Г., Дробышевский С.М., Снитюк В.Е., Печенкина А.В. и др.) построили множество моделей для прогноза динамики его характеристик. В работе [1] рассмотрена эволюцию моделирования российского рынка жилья, рассмотренные модели показали хорошую точность прогноза в краткосрочном периоде, в среднесрочном периоде прогноз не всегда оказывался адекватным. Отчасти это связано с тем, что дополнительно возникает необходимость прогнозировать каждый фактор, включенный в модель. В статье рассматривается прогнозирование на основе изолированного динамического ряда. В качестве прогнозируемого показателя рассмотрена средняя цена 1 кв. м жилья в г. Санкт-Петербург по данным сайта недвижимости BN.ru [2].
На рис. 1 представлена динамика средней цены предложения жилья на вторичном рынке по недельным данным за период с 15 января 1999 г. по 17 февраля 2017 г. в долларах США. Динамика цен за рассматриваемый период характеризуется изменчивой тенденцией. Попытка построения прогноза с учетом данных за весь представленный период не позволила подобрать адекватную модель. Период с 1999 г. по август 2008 г. характеризовался ростом цен по экспоненциальному тренду с коэффициентом детерминации 0,93. Цена за этот период выросла в 8,5 раза и составила 4500 долларов США/кв. м.
ГРНТИ 06.35.33
Марина Владимировна Боченина – кандидат экономических наук, доцент, доцент кафедры статистики и эконометрики Санкт-Петербургского государственного экономического университета.

t , неделя
Рис. 1. Средняя цена предложения на вторичном рынке жилья г. Санкт-Петербурга с января 1999 г. по февраль 2017 г., долл. США / кв. м [2]
Затем, до февраля 2009 г., наблюдался спад, характеризующийся линейной тенденцией с коэффициентом детерминации 0,91. За этот период цена упала на 48%. С февраля 2009 г. по февраль 2017 г. наблюдалась изменчивая тенденция. Функция автоматического подбора модели временного ряда в среде R ( auto.arima ) описывает этот период авторегрессионным процессом ( AR ) 4 порядка и один раз проинтегрированным ( I ) скользящим средним ( MA ) 3 порядка – ARIMA (4,1,3). Однако, описание экономических процессов столь сложными моделями, с множественными коэффициентами AR и MA одновременно, приводит к неочевидности влияния фактора [3]. В этом случае желательно подобрать модель, имеющую в своем составе не более одного процесса AR или MA (см. табл. 1).
Таблица 1
Модели средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга, 2009-2017 гг., долл. США / кв. м
№ |
Модель |
AIC |
BIC |
p-value |
1 |
ARIMA (4,1,0) |
4401,01 |
4421,10 |
0,058 |
2 |
ARIMA (4,1,1) |
4398,94 |
4423,05 |
0,112 |
3 |
ARIMA (4,0,1) |
4415,62 |
4443,77 |
0,107 |
4 |
ARIMA (4,0,0) |
4417,95 |
4442.08 |
0,048 |
5 |
ARIMA (3,1,0) |
4399,79 |
4415,86 |
0,091 |
6 |
ARIMA (3,1,1) |
4398,03 |
4418,12 |
0,159 |
7 |
ARIMA (3,0,1) |
4413,83 |
4437,95 |
0,235 |
8 |
ARIMA (3,0,0) |
4417,24 |
4437,35 |
0,048 |
9 |
ARIMA (2,1,0) |
4398,97 |
4411,02 |
0,090 |
10 |
ARIMA (2,1,1) |
4396,20 |
4412,28 |
0,219 |
11 |
ARIMA (2,0,1) |
4419,57 |
4439,68 |
0,016 |
12 |
ARIMA (2,0,0) |
4418,73 |
4434,81 |
0,014 |
13 |
ARIMA (1,1,0) |
4400,28 |
4408,31 |
0,034 |
14 |
ARIMA (1,1,1) |
4401,80 |
4413,86 |
0,020 |
15 |
ARIMA (0,1,1) |
4400,29 |
4408,32 |
0,034 |
16 |
ARIMA (1,1,2) |
4395,91 |
4411,98 |
0,233 |
17 |
ARIMA (0,1,2) |
4399,17 |
4411,22 |
0,084 |
18 |
ARIMA (1,1,3) |
4402,50 |
4422,59 |
0,046 |
19 |
ARIMA (0,1,3) |
4400,86 |
4416,93 |
0,065 |
С этой целью в среде R с помощью функции Arima были рассмотрены модели с различным составом AR и MA части. Все модели были исследованы на наличие автокорреляции в остатках с помощью критерия Бокса-Льюнга. В случае наличия автокорреляции в остатках критические значения вероятностей p-value, соответствующие значению статистики Бокса-Льюнга не превышают 0,05 (см. табл. 1). В таблице в столбце AIC показаны оценки критерия Акаика (Akaike information criterion), минимальное значение которого показывает, что модель может быть выбрана как оптимальная. Однако, как показал Шибата Р. [4], для процессов AR критерий Акаика несостоятелен вследствие переоценки порядка модели. В этом случае используют критерий Шварца BIC (Bayesian information criterion), оценки которого состоятельны и в случае процессов AR, в пользу выбора модели говорит его наименьшее значение.
Анализ моделей по таблице 1 показал, что минимальное значение критерия AIC имеет ARIMA(1,1,2), а минимальное значение критерия BIC, при отсутствии автокорреляции в остатках, имеет ARIMA(2,1,0), причем различие BIC с моделью ARIMA(1,1,2) составило всего 0,96 . Средняя ошибка аппроксимации 1,56% модели ARIMA(1,1,2) незначительно, но меньше, чем 1,57% модели ARIMA(2,1,0) . Точечный прогноз средней цены на вторичном рынке жилья в Санкт-Петербурге на 28 апреля 2017 г. по модели ARIMA (1,1,2) составил 1855 долл. США / кв. м, а на декабрь 2017 г. -1858 долл. США / кв. м.
Реальная динамика цен на вторичном рынке Санкт-Петербурга в 2016 г. характеризовалась растущей тенденцией, которая продолжилась в начале 2017 г. (рисунок 2). Оценка этой тенденции в среде R на основе auto.arima показала, что процесс описывается моделью ARIMA(1,1,0) с наличием линейного тренда, автокорреляция в остатках отсутствует согласно критерия Бокса-Льюнга (p-value = 0,94). Прогноз по полученной модели показал значительный рост цен. Так, на 28 апреля 2017 г. прогноз составил 1917 долл. США / кв. м, а на декабрь 2017 г. - 2201 долл. США / кв. м.

t, неделя
Рис. 2. Средняя цена предложения на вторичном рынке жилья г. Санкт-Петербурга с января 2016 г. по февраль 2017 г., долл. США / кв. м [2]
Тенденцию 2016 г. можно аппроксимировать степенной функцией вида: у = 1207,9t 0,0891 Et с коэффициентом детерминации R 2=0,87 или линейной функцией с коэффициентом детерминации, равным 0,81. В остатках (et) степенной функции наблюдается автокорреляция с коэффициентом 0,5, в то же время дисперсия остатков постоянна по критерию Фишера ( F =1,59 < F (0,05;27;27) =1,90) и различия средних несущественны по критерию Стьюдента ( t =0,99< t (о,о5;57) =2,00). Следовательно, остатки степенной функции представляют стационарный процесс, который можно описать моделью ARMA (1,2) , по критерию Бокса-Льюнга ( p-value = 0,85), автокорреляция в остатках отсутствует. Прогноз по полученной модели на 28 апреля 2017 г. составил 1767 долл. США / кв. м, на декабрь 2017 г. - 1832 долл. США / кв. м.
Модели, построенные по еженедельным данным для двух периодов: 02.02.2009-17.02.2017; 15.01.2017-17.02.2017, и прогноз на их основе на май и декабрь 2017 г. представлены в таблице 2. Прогноз, основанный на длительной истории (412 наблюдений) однородных значений средней цены с коэффициентом вариации v=22% имеет незначительную вариацию прогнозной цены. Данные 2016 г. (см. рис. 2) имеют заметную колеблемость, коэффициент вариации v=57% и полученные на их основе прогнозные значения имеют заметную вариацию (см. табл. 2).
Таблица 2
Прогноз на 2017г. средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга, долл. США / кв. м
Модель |
AIC |
BIC |
p-value |
Прогноз |
|
май |
декабрь |
||||
построена по 412 наблюдениям |
|||||
ARIMA (1,1,2) : yt = 1,795yt _ 1 — 0,826st _ 1 + 0,113et _ 2 + £t |
4396 |
4412 |
0,23 |
1855 |
1858 |
ARIMA (2,1,0) : yt = 0,987yt _ 1 + 0,091yt _ 2 + st |
4399 |
4411 |
0,09 |
1837 |
1838 |
построена по 57 наблюдениям |
|||||
ARIMA (1,1,0) : yt = 9,1t + 0,6yt _ 1 + st |
560 |
566 |
0,94 |
1927 |
2201 |
(y t = 1207,9t °,°891 £ t (f t = 1,005 + 0,567^ _i + ^ t — 0,2775 t_i + 0,5655 t_2 |
251 |
241 |
0,85 |
1769 |
1832 |
Оценить качество прогноза можно только по факту его свершения. Визуализация значений средней цены вторичного жилья в марте 2017 г. в г. Санкт-Петербурге [2] и прогнозных значений, рассчитанных по моделям, представленным в таблице 2 для этого периода, не позволяет однозначно выбрать лучшую прогнозную модель (см. рис. 3).
CD
ct CD

ARIMмАа(р1т,1,2)
ARIMА (2,1,0)
Фактически
Рис. 3. Средняя цена предложения и прогнозные значения на вторичном рынке жилья г. Санкт-Петербурга в марте 2017 г., долл. США / кв. м [2]
Оценка качества прогноза на март 2017 г., основанная на аналитических показателях, выявила, что минимальные прогнозные ошибки имеет модель на основе степенной функции. Аналитические показатели по рассмотренным моделям представлены в таблице 3, где △ - средняя абсолютная ошибка прогноза; а - среднеквадратическая ошибка прогноза; г - ошибка аппроксимации (средняя относительная ошибка прогноза). У всех моделей, представленных в таблице 3, ошибка аппроксимации не превышает 5%, что свидетельствует o высокой точности прогноза на основе этих моделей. Модель ARIMA (1,1,0) по итогам марта показала наибольшие прогнозные ошибки.
В качестве сравнительного показателя точности прогноза нами был рассчитан коэффициент корреляции (Г уу ) между фактическими (у) и теоретическими значениями (у) (см. табл. 4).
Средняя цена предложения на вторичном рынке жилья г. Санкт-Петербурга в марте месяце имела тесную линейную связь с прогнозными значениями по модели ARIMA (1,1,0) , а с прогнозом на основе степенной функции связь была заметной и носила обратный характер. Таким образом, анализ качества прогноза на основе рассмотренных показателей не выявил однозначно лучшую модель, и для них была построена диаграмма «прогноз-реализация» (см. рис. 4).
На диаграмме по оси ординат отложено прогнозируемое, а по оси абсцисс – фактическое значение переменной. Прямая линия на диаграмме – это отражение совершенного прогноза. Точечный прогноз по моделям: ARIMА (1,1,2); ARIMА (2,1,0); ARIMA (1,1,0) расположен в зоне переоценки изменений цены. Прогнозные значения на основе степенной функции расположились в двух зонах как переоцен- ки, так и недооценки изменений цены и сосредоточились в окрестностях линии совершенного прогноза. Для этой модели ошибку прогноза разложили на доли несоответствия по Тейлу. Ошибка в оценке центральной тенденции составила 25% (доля смещения). Совпадение стандартных отклонений прогноза и фактических значений – 7% (доля дисперсии). Оставшиеся 68% пришлись на долю ковариации, то есть несистематической, остаточной ошибки, которая при идеальном прогнозе составляет 100%. Таким образом, доля систематической ошибки и вариации составляет третью часть ошибки прогноза, что является хорошим показателем прогнозной модели.
Таблица 3

ARIMA (2,1,0)

ARIMA (1,1,0)

1750 1850
1750 1850
Степенная

Аналитические показатели качества прогноза на март 2017 г. средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга
Модель |
д долл.США , кв.м |
долл.США σ , кв.м |
£, % |
построена по 412 наблюдениям |
|||
ARIMA (1,1,2) : yt = 1,795yt-1 - 0,826£t-1 + 0,113£t-2 + £t |
46,16 |
51,85 |
2,58 |
ARIMA (2,1,0) : yt = 0,987yt-1 + 0,091yt-2 + £t |
43,34 |
46,40 |
2,42 |
построена по 57 наблюдениям |
|||
ARIMA (1,1,0) : yt = 9,1t + 0,6yt-1 + £t |
62,42 |
65,67 |
3,48 |
1 yt = 1207,9t °,°891 £t 1 £t = 1,005 + 0,567£t-1 + 5t - 0,2775t-1 + 0,5655t-2 |
31,73 |
44,15 |
1,74 |
Таблица 4
Сравнительный показатель качества прогноза средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга, март 2017 г.
Модель |
E yy |
ARIMA (1,1,2) : yt = 1,795yt-1 - 0,826£t-1 + 0,113£t-2 + £t |
0,63 |
ARIMA (2,1,0) : yt = 0,987yt _1 + 0,091yt _2 +£t |
0,43 |
ARIMA (1,1,0) : 5#t = 9,1t + 0,6yt-1 + £t |
0,74 |
f j/t = 1207,9t °-°891 Et let = 1,005 + 0,567£t-1 + 5t - 0,2775t-1 + 0,5655t-2 |
-0,43 |
Рис. 4. Диаграмма «прогноз-реализация» для средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга в марте 2017 г., долл. США / кв. м
Общую оценку качества прогнозной модели дает коэффициент неравенства Тейла ( Theil Inequality Coefficient ), который составил 0,012. Это значение очень близко к нулю, следовательно, прогноз по модели на основе степенной функции хорошего качества. Значение этого коэффициента для трех других моделей тоже близко к нулю, так как не превышает 0,02. Однако, доля систематической ошибки у всех трех моделей ARIMА очень велика и находится в диапазоне от 64% до 91%. Таким образом, прогноз по модели на основе степенной функции можно считать хорошим.
В качестве индикатора прогноза средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга, рассмотрены два показателя: курс доллара США ( USD ) к рублю и цены на нефть марки
Brent, USD /баррель. Коэффициент корреляции между ценой на жилье и курсом USD равен (-0,07), что говорит об отсутствии линейной зависимости, а между ценой на жилье и ценой на нефть – 0,94, то есть тесная линейная связь. Но наличие корреляции между рядами не означает еще совпадения их тенденций. Поэтому временные ряды цены на жилье и цены на нефть были проверены на наличие ко-интеграции с помощью критерия Энгеля-Грангера, который не позволил отклонить гипотезу об отсутствии коинтеграции.
Следовательно, на временном интервале с января 2016 г. по февраль 2017 г. динамика этих показателей не совпадает в течение длительного периода времени. В рамках рассмотренного временного интервала не удалось определить показатель, который можно рассматривать как индикатор средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга. Поэтому строить прогноз будем, опираясь на оптимальную модель, на основе степенной функции. В итоге интервальный прогноз средней цены предложения на вторичном рынке жилья г. Санкт-Петербурга на декабрь 2017 г. составил 1713 – 1954 долл. США / кв. м.
Список литературы Прогнозирование цен на вторичном рынке жилья Санкт-Петербурга
- Стерник Г.М., Стерник С.Г., Свиридов А.В. Методология прогнозирования российского рынка недвижимости. Часть 3. Эволюция методов прогнозирования на рынке жилой недвижимости России//Механизация строительства. 2014. № 2. С. 60-64.
- BN.ru. . Режим доступа: http://www.bn.ru/graphs/?singlgraph=main (дата обращения 18.02.2017).
- The mathematical structure of ARIMA models. Robert Nau. . Режим доступа: https://faculty.fuqua.duke.edu/~rnau/Mathematical structure of ARIMA models-Robert Nau.pdf (дата обращения 11.02.2017).
- Schibata R. Selection of the Order on an Autoregressive Model by Akaike's Information Criterion//Biometrika. 1976. № 63. P. 147-164.