RefMag.ru - Оценка. Помощь в решении задач, тестов, практикумов, курсовых, аттеста­ционных

RefMag.ru - Помощь в решении в учебе
Заказать:
- заказать решение тестов и задач
- заказать помощь по курсовой
- заказать помощь по диплому
- заказать помощь по реферату

Репетитор оценщика

Готовые работы заочников

Тесты:

Задачи:

Примеры работ по оценке

Примеры курсовых работ
Примеры аттест­ационных работ
Учебные дисциплины
Литература
Заказ работ:




Экспертная и репетиторская помощь по решению тестов, задач, практикумов и всех других видов работ. Сергей.
[email protected], ,

Примеры выполненных работ: | контрольные | курсовые | дипломные | отзывы |




Букинистическая книга:

Список литературы по оценке недвижимости > Моделирование стоимости квартир на региональном рынке жилой недвижимости (на примере Иркутской области)

Моделирование стоимости квартир на региональном рынке жилой недвижимости (на примере Иркутской области)

Санина Л.В., Шерстянкина Н.П., Берген Д.Н., Дашкевич П.М. Моделирование стоимости квартир на региональном рынке жилой недвижимости (на примере Иркутской области) // Известия вузов. Инвестиции. Строительство. Недвижимость. 2017. Т. 7. № 3 (22). С. 27-41.

Скачать оригинал статьи

Фрагмент работы на тему "Моделирование стоимости квартир на региональном рынке жилой недвижимости (на примере Иркутской области)"

Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 27 Оригинальная статья / Original article УДК 332.6(571.53) DOI: 10.21285/2227-2917-2017-3-27-41 МОДЕЛИРОВАНИЕ СТОИМОСТИ КВАРТИР НА РЕГИОНАЛЬНОМ РЫНКЕ ЖИЛОЙ НЕДВИЖИМОСТИ (НА ПРИМЕРЕ ИРКУТСКОЙ ОБЛАСТИ) © Л.В. Санинаa, Н.П. Шерстянкинаb, Д.Н. Бергенc, П.М. Дашкевичd Байкальский государственный университет, Российская Федерация, 664003, г. Иркутск, ул. Ленина, 11. Резюме. Цель. Исследование зависимости цены предложения объекта жилой недвижимости по городам Иркутской области от ряда факторов (площадь квартиры; количество комнат; материал, из которого построен дом; этаж, на котором расположен изучаемый объект; площадь кухни; вид санузла; наличие балкона; удаленность от центра города; наличие лифта; состояние квартиры с точки зрения необходимости проведения ремонта; возраст дома; принадлежность к первичному или вторичному рынку недвижимости). Методы. В исследовании рынка жилой недвижимости были выбраны 12 наиболее крупных городов Иркутской области (по численности населения): Иркутск, Братск, Ангарск, Усть-Илимск, Усолье-Сибирское, Черемхово, Шелехов, Усть-Кут, Тулун, Саянск, Нижнеудинск, Тайшет. Основной метод, применяемый для целей исследования, – корреляционно- регрессионный анализ. Построение эконометрических моделей, расчет оценок параметров моде- лей, значимости найденных оценок и моделей в целом осуществлялось в MS Excel. Результаты. Исследование направлено на формализацию существующих критериев оценки стоимости прода- ваемых квартир. Построены 12 моделей стоимости квартир по городам и общая модель стоимости квадратного метра в городах Иркутской области. Установлено, что цена кв. метра зависит от чис- ленности населения, его прироста/убыли и статуса моногорода, другие факторы не значимы. Вы- воды. Полученные модели могут быть использованы для составления прогнозов стоимости объ- ектов жилой недвижимости, что может найти отражение при разработке программ социально- экономического развития муниципальных образований и региона в целом, будет востребовано ин- весторами, другими контрагентами на рынке жилой недвижимости и физическими лицами при оценке приобретаемых социально-бытовых благ. Продолжение исследований на основе накопле- ния массива информации авторы видят в расширении возможностей моделирования стоимости квартир в зависимости не только от характеристик квартир, но и от характеристик, которые отра- жают влияние внешних факторов на региональный рынок жилой недвижимости. Ключевые слова: рынок недвижимости, стоимость квартир, объект недвижимости, региональ- ный рынок недвижимости, Иркутская область. Формат цитирования: Санина Л.В., Шерстянкина Н.П., Берген Д.Н., Дашкевич П.М. Моделирова- ние стоимости квартир на региональном рынке жилой недвижимости (на примере Иркутской об- ласти) // Известия вузов. Инвестиции. Строительство. Недвижимость. 2017. Т. 7, № 3. С. 27–41. DOI: 10.21285/2227-2917-2017-3-27-41 MODELING OF THE PRICE FOR FLATS AT THE REGIONAL MARKET OF REAL ESTATE (AT THE EXAMPLE OF IRKUTSK REGION) © L.V. Sanina, N.P. Sherstyankina, D.N. Bergen, P.M. Dashkevich Baikal State University, 11 Lenin St., Irkutsk 664003, Russian Federation Abstract. Purpose. In this work we made the research of dependence of suggested price of the object of real estate around the cities of Irkutsk region on the number of factors (flat area, number of rooms, the floor the investigated object is situated on, kitchen area, type of WC facility, availability of balcony, distance from the city centre, availability of a lift, flat condition from the point of repair works, house age, affiliation with primary or secondary real estate market). Methods. In the investigation of the market of real estate we have chosen 12 largest cities of Irkutsk region (according to population): Irkutsk, Bratsk, Angarsk, Ust-Ilimsk, Usolie-Sibirskoe, Cheremkhovo, Shelekhov, Ust-Kut, Tulun, Saiansk, Nizhneudinsk, Taishet. The main method, used for the purposes of the research is correlational and regressive analyses. Construction of econometric models, calculation of parameter estimation models, importance of the found estimation and models in general was performed in MS Excel. Results and their discussion. The research is directed to the formalization of the existing criteria of cost estimation of sold flats. We constructed 12 models of flat cost according to the cities, and the general model of the cost for one square meter in the cities of Irkutsk region. It is stated that the cost of one square meter depends on the population, increase and decrease of the population and the status of mono cities, other factors are not impor- Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 ISSN 2500-154X (online) 28 tant. Conclusions. The received models can be used to make forecasts for the cost of real estate, what can be reflected during the development of programs of social and economical development of municipal settlements and region in general, will be in demand for investors, other partners at the market of residential market and physical persons during the estimation of the social and household goods that are obtained. The authors see continuation of the research based on the accumulation of information in the widening of possibilities to model flat costs depending not only on the characteristics of flats, but also on the characteristics which reflect the influence of outer factors on the regional market of residential real estate. Keywords: real estate market, flat cost, real estate object, regional real estate market, Irkutsk region For citation: Sanina L.V., Sherstyankina N.P., Bergen D.N., Dashkevich P.M. Modeling of the price for flats at the regional market of real estate (at the example of Irkutsk region). Izvestiya vuzov. Investitsii. Stroitel'stvo. Nedvizhimost' [Proceedings of Universities. Investment. Construction. Real estate], 2017, vol. 7, no. 3, pp. 27–41. (In Russian) DOI: 10.21285/2227-2917-2017-3-27-41 Введение В научных трудах многократно отме- чено, что рынок жилой недвижимости зани- мает особое место среди элементов рыноч- ной экономики как системы и имеет важное значение в формировании и функционирова- нии экономических механизмов обеспечения жителей России жильем, что имеет непо- средственное отношение к повышению каче- ства жизни народонаселения страны [1, 2–6]. Рынок недвижимости оказывает влияние на рыночные отношения, участвует в экономи- ческих процессах, выполняет ценообразую- щую функцию. В стоимости квартир концен- трируется информация о насыщенности дан- ного рынка, покупательной способности на- селения, предпочтениях покупателей, затра- тах на строительство, социально- экономическом развитии региона и регио- нальной экономической политике. Поэтому, на наш взгляд, анализ факторов, воздейст- вующих на стоимость квартир в конкретном регионе, а также определение стоимости объекта недвижимости в условиях неопреде- ленности рынка, несомненно, актуальны и могут быть отнесены к приоритетным на- правлениям экономических исследований. Стоит отметить, что, несмотря на большое количество теоретических и практи- ческих результатов, к настоящему времени еще не сформирован единый подход к моде- лированию ценообразования на уровне ре- гиона. Общий вывод исследователей сводит- ся к тому, что в силу наличия резких контра- стов в развитии регионов при оценке уровня развития рынка жилья в России необходимо принимать во внимание особенности каждого субъекта федерации в отдельности. Основой исследования послужили труды отечественных и зарубежных ученых. Подходы к моделированию рынка жилой не- движимости менялись при переходе от пла- новой экономики к рыночной и далее при развитии рыночных отношений. Теория и ме- тодология современной экономики недвижи- мости исследована в трудах А.Н. Асаула. Особенности формирования и функциониро- вания рынка жилья рассматривались в рабо- тах В.В. Бузырева, В.А. Горемыкина, О.В. Грушиной, О.А. Доничева, Н.Б. Косаре- вой, Н.Н. Ноздриной, В.И. Ресина, Г.В. Хом- калова, Н.Ю. Яськовой. Вопросами методо- логии анализа, оценки, моделирования и про- гнозирования цен на рынке недвижимости занимались такие ученые, как И.Н. Анисимо- ва, Н.П. Баринов, С.В. Грибовский, С.М. Дро- бышевский, М.Б. Ермолаев, Т.С. Заводова, В.П. Носко, В.И. Ресин, Г.М. Стерник, С.Р. Хачатрян, Е.П. Ушаков. Проблемам раз- вития региональных рынков недвижимости посвящены работы Е.Г. Анимицы, А.Г. Гранберга, Т.И. Кубасовой, А.С. Марша- ___________________________ aСанина Людмила Валерьевна, кандидат экономических наук, доцент кафедры налогов и таможен- ного дела, тел. +7 (3952) 50-00-08, е-mail: [email protected] Liudmila V. Sanina, candidate of economical sciences, associate professor, Department of Taxes and Customs, tel.: +7 (3952) 50-00-08, е-mail: [email protected] bШерстянкина Нина Павловна, кандидат технических наук, доцент кафедры математики и эконо- метрики, тел.: +7 (3952) 50-00-08, е-mail: [email protected] Nina P. Sherstyankina, candidate of technical sciences, associate professor, Department of Mathematics and Econometrics, tel.: +7 (3952) 50-00-08, е-mail: [email protected] c Берген Дарья Николаевна, магистрант факультета информатики, учета и сервиса, тел.: +7 (3952) 50-00-08, e-mail: [email protected] Daria N. Bergen, master student, Faculty of computer science, accounting and service, tel.: +7 (3952) 50-00-08, е-mail: [email protected] dДашкевич Павел Михайлович, студент факультета информатики, учета и сервиса, тел.: +7 (3952) 50-00-08, e-mail: [email protected] Pavel M. Dashkevich, student, Faculty of computer science, accounting and service, tel.: +7 (3952) 50-00-08, е-mail: [email protected] Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 29 ловой, М.В. Матвеевой, А.С. Новоселова, В.В. Пешкова, Р.И. Шнипера. В трудах зарубежных ученых большое внимание уделено исследованиям колебаний цен на рынке недвижимости и вызывающих их причин. Основными методами анализа и прогнозирования ситуации на рынке зару- бежной недвижимости являются статистиче- ские, которые хорошо показывают себя в стабильных экономических условиях, по- скольку рынок недвижимости имеет доста- точно большую инерцию. Для стран, которые переживают бурный экономический рост или кризис, статистические модели не могут быть использованы для получения адекватных ре- зультатов, на что указывается в работах C. Brooks, S. Tsolacos [7]. Тем не менее дан- ные ученые широко применяют традицион- ные инструменты моделирования и прогно- зирования (регрессионный анализ, парамет- рические модели, линейные модели, различ- ные виды скользящих средних и пр.). S.J. Maisel, J.B. Burnham [8], J.S., A.M. Polinsky, D.T. Ellwood [9], F. De Leeuw [10], G. Fallis [11] приводят описание особен- ностей использования концепции эластично- сти при анализе рынка недвижимости и де- лают выводы о принципиально разном харак- тере эластичности в краткосрочной и долго- срочной перспективах. В работах J.W. Forrester [11–15] опи- саны методы имитационного моделирования. Развивают его идеи корейские ученые D. Cho, S. Ma [16], S.-J. Hwang, M.-S. Park, H.-S. Lee, Y.-S. Yoon [17], их работы по моде- лированию национального рынка недвижи- мости отличаются глубокой проработкой и большим количеством учтенных факторов. M. Eskinasi систематизировал основные ре- зультаты анализа методов системной дина- мики в исследовании рынка недвижимо- сти [18]. Рассмотрим некоторые методы, предлагаемые исследователями для моде- лирования стоимости квартир. Е.Н. Седова, О.И. Стебунова, С.Т. Ушатова в статье [19] предлагают мно- гоуровневый (иерархический) подход к моде- лированию стоимости жилой недвижимости на региональном уровне: цена объекта не- движимости формируется одновременно под воздействием характеристик самого объекта (микроуровень – площадь квартиры, наличие балкона, этаж) и характеристик социально- экономического состояния административно- территориального образования, в котором он располагается (мезоуровень – уровень зара- ботной платы, безработицы, расстояние до областного центра). Авторы статьи исполь- зуют для оценки небольшое число факторов, но интересным является введение в модель показателей мезоуровня. Исследование вы- полнено на основании данных Оренбургской области. Встречаются также концепции, ко- торые предполагают большее количество факторов, разделенных на три иерархиче- ских уровня: страновой (социальные, эконо- мические, политические факторы), локаль- ный (особенности места расположения объ- екта, условия продажи, временные) и инди- видуальный (архитектурно-строительные и финансово-эксплуатационные особенности). К сожалению, ввиду сложности определения перечисленных факторов применение этого метода ограничено. В трудах А.Ю. Минца [20] рассматри- вается использование динамического имита- ционного моделирования для анализа и про- гнозирования ценообразования на рынке жи- лой недвижимости Украины. Автор работы проводит анализ факторов, действующих на вторичном рынке недвижимости, строит мо- дели причинно-следственных связей между спросом, предложением и ценой, а также ме- жду факторами, формирующими финансовые возможности покупателей рынка недвижимо- сти. Далее на их основе строятся динамиче- ские имитационные модели ценообразования и проводятся эксперименты, подтверждаю- щие, что наиболее значимым фактором це- нообразования на рынке недвижимости яв- ляются внешние источники финансирования (банковский кредит). В.Л. Ясницкий предлагает использо- вание нейросетевого моделирования для массовой оценки жилой недвижимости [21]. Им разработана компьютерная программа, в основе которой лежит нейронная сеть, обу- ченная на результатах свободных информа- ционных ресурсов, содержащих сведения о цене предложения недвижимости. После то- го, как исключены выбросы, связанные с не- достоверностью информации, исследователь обнародовал среднюю относительную по- грешность результатов прогнозирования нейронной сети, находящуюся на уровне 1,03%. С помощью нейросетевой модели он производит оценку значимости входных па- раметров, выделяя наиболее важные из них, и прогнозирует рыночную стоимость жилой недвижимости в г. Перми. В.Б. Михайлец [22] описывает приме- нение комбинированного метода (сочетание сравнительного анализа продаж и регресси- онных моделей) для оценки объектов недви- жимости в г. Москве. Для начала он предла- гает ценовые показатели корректировать в зависимости от соотношения характеристик объекта оценки и объекта-аналога, которые несущественно влияют на эти единицы срав- нения. Ученый рекомендует использование соответствующих шкал корректировок или известных из опыта закономерностей взаи- мосвязей единиц ценовых показателей с це- нообразующими факторами. Далее, согласно его методике, с помощью регрессионных мо- Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 ISSN 2500-154X (online) 30 делей проводится согласование результатов корректирования значений единиц сравнения по выбранным объектам-аналогам. Постро- енные модели связывают ценовые показате- ли с наиболее значимыми ценообразующими факторами (объемно-массовые показатели, показатели производительности). А.В. Боброва выявила устойчивые за- кономерности ценообразования на рынке жи- лья на основе статистической обработки ре- зультатов массовой оценки распределенной ценовой информации и построила модели для уточнения стоимости квадратного метра на вторичном рынке жилья в г. Барнауле [23]. Использование методов когнитивного моделирования для исследования факторов влияния на рынке жилой недвижимости предлагают Е.В. Воронина и Н.В. Береза [24]. Анализируя спрос и предложение на рынке жилья в 20 агломерациях РФ, авторы выде- ляют закономерности функционирования рынка жилой недвижимости и строят когни- тивную модель в виде сетевой модели пред- ставления знаний – знаковой когнитивной карты. Н.В. Концевая в своих исследованиях [25] осуществляет двухэтапное краткосроч- ное прогнозирование стоимости квадратного метра жилой недвижимости в г. Москве, про- водя коррекцию многофакторной модели це- нообразования с учетом времени запаздыва- ния реакции модели на динамичность внеш- них изменений. На первом этапе ученый строит регрессионную модель по макропока- зателям; на втором этапе ведет расчет ди- намики относительной ошибки модели и вы- являет те моменты времени, в которых пред- положения исследователя не сработали, да- лее определяет пути решения проблем и корректирует модель. Л.Ф. Розанова, И.А. Лакман, А.Д. Ту- рутина на основе статистических данных строят модели стоимостной оценки для 43 субъектов РФ на период с 2001 по 2013 гг. с использованием аппарата панельного ана- лиза. Данные были собраны в виде сбалан- сированной панели, где каждый объект имел два уровня принадлежности: первый – кросс- селекционное измерение принадлежности к региону РФ, второй уровень – принадлеж- ность к конкретному периоду времени. Чтобы избежать проблемы получения недостовер- ных оценок панельных моделей, ученые пе- ред построением моделей по лонгитюдным данным предлагают проводить кластериза- цию объектов исследования. Так как эти объ- екты представлены данными в трех измере- ниях: объекты, характеристики, время, это не позволяет использовать напрямую классиче- ские методы кластерного анализа, поэтому для выявления однородных регионов авторы предложили сначала временные ряды свести к интегральной характеристике, позволяю- щей дифференцировать регионы во времен- ном разрезе, а затем провели их кластериза- цию известными методами. После этого по однородным кластерам построены адекват- ные панельные модели стоимости объектов недвижимости, позволяющие учитывать осо- бенности развития исследуемых регионов [26]. Для определения стоимости недви- жимости в жилищном строительстве чаще всего применяют затратный, доходный, срав- нительный подходы. Так как в жилищной сфере проявляются интересы различных экономических субъектов национальной эко- номики: бизнеса, домохозяйств, государства, то именно с их учетом формируется итоговая стоимость жилой недвижимости. Отметим, что в настоящее время реальный уровень заработной платы широких слоев населения не позволяет говорить о доступности жилья [2, 3, 5, 19, 27–29]. И.В. Бурова, М.В. Паничкина [30] про- веряют адекватность применения методов эконометрического анализа для оценки стои- мости объектов недвижимости г. Ростова-на- Дону и строят собственные модели стоимо- сти. Исследователи убедительно доказыва- ют, что построенные модели эффективны отдельно для групп по количеству комнат, отражают рыночную стоимость объекта жи- лой недвижимости в условиях неопределен- ности, и приходят к выводу, что применение методов эконометрического анализа оправ- дано для расчета рыночной стоимости объ- ектов недвижимости, если они не имеют зна- чительных искажений в условиях кризиса. Таким образом, краткий обзор лите- ратуры за последние 10 лет по изучаемой проблеме показал, что исследователи при- меняют для построения моделей и прогнози- рования цен на рынке недвижимости различ- ные методы и модели с разной степенью ус- пеха. Стоит отметить, что в научной литера- туре для изучения рынка недвижимости в ос- новном используются либо традиционные для эконометрии методы и модели – фактор- ные, статистические и т.п., либо синтетиче- ский метод, при котором стоимость недвижи- мости рассматривается как интегральная оценка стоимости различных факторов [1, 19, 25, 31–36]. Изучив методы моделирования, мож- но выделить сферы их применения. В основ- ном модели применяются: – для массовой оценки недвижимости [1, 21], что имеет большое значение, по- скольку введен в действие федеральный за- кон от 04.10.2014 г. № 284-ФЗ об изменении налога на имущество физических лиц, преду- сматривающий расчет налога на имущество на основе кадастровой стоимости имущества; – для моделирования рынка недви- жимости в целом и прогнозирования цен на Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 31 объекты недвижимости, в том числе в целях определения перспектив развития рынка кон- кретной территории (городские округа, муни- ципальные районы, субъекты РФ и пр.) [25, 35]; – для исследования ценообразующих факторов рынка коммерческой недвижимости [31, 32], что имеет большое значение для перспектив развития субъектов предприни- мательства в регионе; – для управления стоимостью жилой недвижимости [3, 27], при этом наряду с об- щими тенденциями упрощения проектов и экономии на окружающей среде для сниже- ния конечной стоимости квартиры возникают инновационные контртренды по созданию качественной среды жизнедеятельности; – для анализа и оценки первичного и вторичного рынка недвижимости [23]; – для оценки объектов недвижимости в условиях неопределенности внешней сре- ды [22, 30]. Цель настоящей работы – провести исследование зависимости стоимости 1 кв. метра квартир в городах Иркутской области от ряда факторов (площадь квартиры; коли- чество комнат; материал, из которого постро- ен дом; этаж, на котором расположен изу- чаемый объект; площадь кухни; вид санузла; наличие балкона; удаленность от центра го- рода; наличие лифта; состояние квартиры с точки зрения необходимости проведения ре- монта; возраст дома; принадлежность к пер- вичному или вторичному рынку недвижимо- сти). Материал и методы исследования Методическую основу исследования составили труды отечественных и зарубеж- ных ученых по эконометрике [33, 35, 37–48] и исследования авторов настоящей статьи [31, 32, 49]. Основным методом исследования, результаты которого приведены далее, явля- ется корреляционно-регрессионный анализ. Построение эконометрических моделей, рас- чет оценок параметров моделей, значимости найденных оценок и моделей в целом осуще- ствлялись в MS Excel. Для исследования рынка жилой недвижимости Иркутской облас- ти были выбраны 12 наиболее крупных горо- дов (по численности населения): Иркутск (623,7 тыс. чел.), Братск (231,6 тыс. чел.), Ан- гарск (226,4 тыс. чел.), Усть-Илимск (82,5 тыс. чел.), Усолье-Сибирское (78 тыс. чел.), Че- ремхово (51,2 тыс. чел.), Шелехов (47,4 тыс. чел.), Усть-Кут (42,6 тыс. чел.), Тулун (41,7 тыс. чел.), Саянск (38,9 тыс. чел.), Ниж- неудинск (34 тыс. чел.), Тайшет (33,6 тыс. чел.). В зависимости от численно- сти населения для каждого города был при- нят свой объем выборки. Исходными данны- ми для построения моделей послужили цены предложения квартир за апрель 2017 года, опубликованные на сайте www.avito.ru. Объ- явления о продаже жилья должны были со- держать максимально полную информацию об объекте недвижимости, чтобы можно было получить сведения по всем факторам, влия- ющим на ее стоимость. Использованы офи- циальные данные других источников, в том числе территориального органа Федеральной службы государственной статистики по Ир- кутской области, что подтверждает достовер- ность исследования. Результаты исследования и их обсуждение Общий состав переменных по моде- лям: ? зависимая: у – цена предложения объекта жилой недвижимости, тыс. руб.; ? независимые: x1 – площадь, кв. м; x2 – количество комнат. x2 ; x3 – материал, из которого по- строен дом. x3 ; x4 – этаж, на котором располо- жен изучаемый объект. 4 x ; x5 – площадь кухни, кв. м; x6 – вид санузла. x6 ; x7 – балкон (наличие в рассмат- риваемой квартире). x7 ; x8 – удаленность от центра го- рода, км, расстояние определялось по «2ГИС»; x9 – лифт (наличие в рассмат- риваемом доме). x9 ; x10 – новостройка. x10 ; x11 – состояние квартиры с точ- ки зрения необходимости проведения ремон- та, связанного с заменой окон, сантехники, труб, радиаторов отопления, межкомнатных дверей, выравнивания стен и потолков и т.п. x11 ; x12 – возраст дома, лет (опре- делялся как 2017 год минус год постройки). Для некоторых городов состав пере- менных отличался от приведенного выше в силу локальных особенностей. Основная гипотеза заключается в том, что стоимость квартиры на вторичном Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 ISSN 2500-154X (online) 32 рынке зависит от 15 перечисленных выше факторов, т.е. для каждого города была по- строена линейная модель вида 0 1 1 2 2 12 12 y ? b ? b x ? b x ? ... ? b x , определялись наиболее значимые факторы, наименее значимые при этом последова- тельно исключались. Качество моделей в целом оценивалось с помощью критерия Фишера (проверка гипотезы об отсутствии линейной связи между ценой квартиры и не- зависимыми факторами), коэффициента де- терминации 2 R (доля объясненной диспер- сии) и средней ошибки аппроксимации A (процент отклонения модельных значений от фактических). Результаты проведенных расчетов по 12 городам области представлены в таблице. Рассмотрим, какие факторы оказа- лись наиболее значимыми в каждом из рас- сматриваемых городов (t -статистика значи- мых переменных по абсолютной величине превышает крит t ). Во всех 12 моделях зна- чим фактор 1 x – площадь квартиры; фактор 11 x , состояние квартиры, значим в 11 моде- лях (кроме г. Саянск); 8x , удаленность от центра города, – в половине моделей (города Иркутск, Черемхово, Усть-Кут, Братск, Усть- Илимск, Нижнеудинск); 12 x , возраст дома, – в 3 моделях (Иркутск, Черемхово, Тайшет); 9x , наличие лифта, – в 2 моделях (Братск, Усть- Кут); 3x , материал дома, – в 1 модели (Усо- лье-Сибирское); 6x , вид санузла, – в 1 моде- ли (Шелехов); и 21 x , однокомнатные кварти- ры, – в 1 модели (Саянск). Приведем интерпретацию коэффици- ентов модели. b1: если площадь квартиры увеличится на 1 квадратный метр, то ее сто- имость повышается в среднем на b1 тыс. рублей. 8 b : удаленность от центра города на 1 км уменьшает цену квартиры в среднем на 8 b тыс. рублей. b11 : если квар- тира имеет хороший ремонт, то ее стоимость будет выше в среднем на b11 тыс. рублей. b12 : если возраст дома увеличивается на 1 год, то цена квартиры повышается на b12 тыс. рублей. 9 b : если в доме есть лифт, то стоимость квартиры увеличивается на 9 b тыс. рублей. 3b : если дом является кир- пичным, то стоимость квартиры уменьшается на 3 b тыс. рублей. 6b : если в квартире сан- узел раздельный, то ее стоимость увеличит- ся в среднем на 6 b тыс. рублей. 21 b : одно- комнатная квартира в среднем стоит дешев- ле на 21b тыс. рублей. Все модели значимы по критерию Фишера ( F0 > Fкрит ), имеют высокий коэф- фициент детерминации 2 R , показывающий, на сколько процентов вариация стоимости квартиры объясняется вариацией значимых факторов, среднюю ошибку аппроксимации A, не превышающую допустимые 15 %. Значения коэффициента b1 пред- ставлены на рис. 1, в котором видно, что наиболее высокая средняя стоимость квад- ратного метра жилья наблюдается в г. Иркут- ске, а наиболее низкая – г. Саянске. Значения коэффициента b11 пред- ставлены на рис. 2. Видно, что наилучшее состояние квартир (когда ремонт не требует- ся) наблюдается в городах Иркутске и Усть- Куте, а наихудшее – в Усть-Илимске и Брат- ске. На рис. 3 представлены доли значи- мых (учтенных в модели) факторов, а также исключенных и неучтенных в целом. К неучтенным факторам можно отне- сти такие, как инфраструктура микрорайона, удаленность от остановок общественного транспорта, наличие зон отдыха и парковоч- ных мест, вид из окна, высота потолков, об- ременение, продажа с мебелью, бытовой техникой или без, подходит объект продажи под ипотеку или материнский капитал или нет, находится в ипотеке или нет и т.д. Наи- большую долю значимые факторы занимают в Иркутске и Усть-Илимске (88 %), исключен- ные – в Нижнеудинске, Тайшете и Усть-Куте (9 %), неучтенные – в Черемхово и Шелехове (15 %). Наименьшую долю значимые факто- ры имеют в Усть-Куте (78 %), исключенные – в Иркутске (2 %), неучтенные – в Усть- Илимске (7 %). На рис. 4 представлены доли значи- мых факторов в структуре коэффициента де- терминации 2 R . Фактор 1x – площадь квартиры – во всех 12 моделях имеет наибольшую долю среди всех значимых факторов: от 57 % (Са- янск) до 94 % (Ангарск). Доля фактора 11 x – состояние квартиры – в 11 городах колеблет- ся от 3 % (Усть-Илимск) до 23 % (Усть-Кут). Доля фактора 8x – удаленность от центра города – в 6 городах наблюдается в диапозо- не от 1,3 % (Черемхово) до 12 % (Усть- Илимск). Доли остальных значимых факторов колеблются от 1 % (Иркутск, Черемхово – возраст дома) до 43 % (Саянск – одноком- натные квартиры). Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 33 Таблица 1 Модели стоим ости ква ртир в г ородах Иркутской о бласти Table 1 Model the cost of apartments in the cities of Irkutsk region Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 ISSN 2500-154X (online) 34 Рис. 1. Значения коэффициента b1 по городам области Fig. 1. Meanings of index b1 in the cities of the region Рис. 2. Значения коэффициента b11 по городам области Fig. 2. Meanings of index b11 in the cities of the region Рис. 3. Структура значимых, исключенных и неучтенных в моделях факторов по городам Иркутской области Fig. 3. Structure of significant, eliminate and unaccounted in the models of factors in the cities of Irkutsk region Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 35 Рис. 4. Структура коэффициента детерминации R 2 Fig. 4. Structure of determination index R 2 По 12 рассматриваемым городам Ир- кутской области была построена общая мо- дель зависимости стоимости квадратного метра жилья ( y , тыс. руб.) от 17 факторов: 1 x – площадь города, км2 ; 2 x – численность населения, тыс. чел.; 3 x – прирост/убыль на- селения, %; 4 x – возраст города, лет; 5x – наличие вузов и/или филиалов вузов (1 – да, 0 – нет); 6 x – средний возраст домов, лет; 7 x – статус моногорода (1 – да, 0 – нет); 8x – наличие железнодорожной станции (1 – да, 0 – нет); 9 x – уровень безработицы, %; 10 x – средняя заработная плата за 2016 г., тыс. руб.; 11 x – удаленность города от обла- стного центра по автомобильной дороге, км; 12 x – принадлежность города к северным территориям (1 – да, 0 – нет); 13 x – общая площадь жилых помещений, приходящаяся в среднем на одного жителя; 14 x – процент ро- дившихся на 1000 чел. населения; 15 x – ко- эффициент миграционного прироста; 16 x – процент ввода нового жилья по отношению к имеющемуся жилому фонду; 17 x – коэффи- циент ввода нового жилья по отношению к предыдущему году. Наиболее значимыми из 17 перечис- ленных факторов оказались 2 x , 3x , 7x : 2 3 294 7 y ? 33,910 ? 0,030 x ? 10,986 x ? 5, x ( 20,797) (5,668) (6,057) ( 3,071) 2,31 0 t b ? ? tкрит ? . Полученная модель по критерию Фи- шера является пригодной ( F0 = 37,11, Fкрит = 4,07, 2 R = 93,3 %, средняя ошибка аппроксимации A = 6,5 %). Коэффициенты модели показывают следующее. b2 = 0,030 тыс. руб.: если насе- ление города увеличится на 1 тысячу чело- век, то стоимость квадратного метра жилья увеличится в среднем на 30 рублей. 3 b = 10,986 тыс. руб.: если численность населения вырастет на 1 %, то цена за квадратный мет- ра жилья вырастет в среднем на 10 986 руб- лей. 7 b = –5,294 тыс. руб.: если город имеет статус моногорода, то стоимость квадратного метра жилья будет ниже в среднем на 5 294 рубля. Коэффициент частной эластичности, рассчитанный для численности населения, показывает, что стоимость квадратного метра жилья повысится в среднем на 0,12 %, если численность населения увеличится на 1 %. В 2017 г. вариация стоимости кварти- ры на 93,3 % объясняется вариацией чис- ленности населения, коэффициента прирос- та/убыли населения, статуса моногорода, при этом оставшиеся 0,47 % приходятся на неуч- тенные в модели факторы, 6,23 % – на 9 ис- ключенных факторов. Максимальное влияние на цену квадратного метра жилья оказывает численность населения (46,13 %), коэффи- циент прироста/убыли населения (35,16 %) и статус моногорода (18,71 %). Выводы На основании проведенного исследо- вания можно сделать следующие выводы: 1. Рынок жилой недвижимости является сложной социально-экономической системой, поэтому для его моделирования возможно использование различных методов. При этом стоит отметить, что наибольшее распространение получили Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 ISSN 2500-154X (online) 36 традиционные для эконометрии методы и модели. Применение методов эконометрического анализа эффективно при определении цены предложения объектов жилой недвижимости, не имеющих значительных искажений в условиях кризиса или бурно развивающегося рынка. 2. Моделирование стоимости объектов недвижимости применяется: для массовой оценки недвижимости; моделирования рынка недвижимости в целом и прогнозирования цен на объекты недвижимости; исследования ценообразующих факторов рынка коммерческой недвижимости; управления стоимостью жилой недвижимости; анализа и оценки первичного и вторичного рынков недвижимости; оценки объектов недвижимости в условиях неопределенности рынка. 3. Построенные в процессе выполнения данной работы модели зависимости цены предложения объектов жилой недвижимости от перечисленных факторов описывают текущее состояние рынка квартир в 12 городах Иркутской области. Модели прогноза цены квартиры в зависимости от ее параметров обладают хорошими статистическими характеристиками и могут использоваться в прогнозных оценках стоимости жилья. Недостатком построенных моделей является неабсолютная точность прогноза, что может быть объяснено завышением стоимости квартиры продавцом при расчете на возможный торг и другими неточными сведениями в публикуемых объявлениях. Таким образом, общая модель зависимости стоимости квадратного метра жилья по 12 городам Иркутской области соответствует реальным данным и позволяет выполнить прогнозные расчеты стоимости квартир при разных исходных переменных. Для этого нужно выбрать параметры интересующей квартиры (площадь квартиры; количество комнат; материал, из которого построен дом; этаж, на котором расположен изучаемый объект; площадь кухни; вид санузла; наличие балкона; удаленность от центра города; наличие лифта; состояние квартиры с точки зрения необходимости проведения ремонта; возраст дома; принадлежность к первичному или вторичному рынку недвижимости) и подставить их в уравнение, но стоит отметить, что модели отражают среднюю стоимость квартир со схожими параметрами. 4. Проведение сравнительного анализа оценок коэффициентов полученных уравнений регрессии позволяет сделать следующие выводы: несмотря на кажущееся разнообразие ценообразующих факторов, исследование показывает, что главными факторами, определяющими стоимость квартир, являются их площадь, состояние ремонта и удаленность от центра города. Причем чем меньше и компактнее город, благоприятнее расположение относительно реки и железной дороги (в Нижнеудинске, например, переезд через железнодорожные пути удлиняет расстояние до центра почти в 2 раза, а в Братске расстояние микрорайонов до центра города достигает 40 км), а также чем меньше транспортных заторов, тем менее важен фактор удаленности от центра города. Анализ коэффициентов показал, что квартиры в областном центре относительно жилья в крупных городах области являются самыми дорогими на рынке жилой недвижимости. Рядом расположенный г. Ангарск занимает второе место по стоимости жилья, при этом в самом близком к Иркутску городе Шелехове (7 км между границами) доступные цены на квартиры, в том числе в новостройках, которых в данном городе множество. Этим Шелехов оказывается привлекательным для иркутян и жителей области, работающих в областном центре. Общая модель показала, что средняя стоимость квадратного метра жилья напрямую зависит от размера города. 5. Результаты моделирования, проведенного авторами статьи, могут быть использованы для составления прогнозов цены предложения объектов жилой недвижимости, что может найти применение при разработке программ социально- экономического развития муниципальных образований и региона в целом, будет востребовано инвесторами, другими контрагентами на рынке жилой недвижимости и физическими лицами при оценке приобретаемых социально-бытовых благ. Также при постановке подобных задач с использованием предлагаемого подхода к их решению возможна наглядная демонстрация возможностей эконометрики в образовательном процессе. 6. Предполагаемое направление дальнейших исследований на основе накопления массива информации авторы видят в области расширения возможностей моделирования стоимости квартир в зависимости не только от характеристик квартир, но и от характеристик, которые отражают влияние внешних факторов на региональный рынок жилой недвижимости. Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 37 БИБЛИОГРАФИЧЕСКИЙ СПИСОК 1. Бедин Б.М., Кошман В.Н., Хомка- лов Г.В. Массовая оценка рыночной стоимо- сти жилой недвижимости в многофункцио- нальном городе: теория и практика. Иркутск: Изд-во БГУЭП, 2006. 124 с. 2. Бузырев В.В., Селютина Л.Г. Жи- лищная проблема и пути ее решения в со- временных условиях. СПб.: Изд-во СПбГУ, 2013. 335 с. 3. Матвеева М.В. Система стимулов и ограничений в развитии инвестиционно- строительной деятельности в жилищном строительстве // Вестник Иркутского государ- ственного технического университета. 2013. № 6 (77). С. 207–214. 4. Пешков В.В. Особенности форми- рования договорных цен в жилищном строи- тельстве // Вестник Иркутского государствен- ного технического университета. 2006. № 3 (27). С. 171–175. 5. Хомкалов Г.В., Грушина О.В. Про- блемы доступности жилья в контексте совре- менных направлений развития методологии экономической науки [Электронный ресурс] // Baikal Research Journal. 2011. № 5. С. 29. URL: http://eizvestia.isea.ru/reader/article.aspx? id=9698 (16.03.2017). 6. Barnes Y. What Price The World? [Электронный ресурс] // Savills. 2016. 28 January. URL: http://www.savills.co.uk/research_ articles/188297/198669-0/ (21.03.2017). 7. Brooks C., Tsolacos S. Real Estate Modelling and Forecasting. New York: Cambridge University Press, 2010. 453 p. DOI: 10.1017/cbo9780511814235 8. Maisel S.J., Burnham J.B., Austin J.S. The demand for housing // Review of Economics and Statistics. 1971. № 53. P. 410–413. 9. Polinsky A.M., Ellwood D.T. An empirical reconciliation of micro and group estimates of the demand for housing // Review of Economics and Statistics. 1979. № 61. P. 199– 205. 10. De Leeuw F. The demand for housing. A review of the crosssectional evidence // Review of Economics and Statistics. 1971. № 53 (1). P. 1–10. 11. Fallis G. Housing Economics. Toronto: Butterworth, 1985. 250 p. DOI: 10.1016/c2013-0-06307-4 12. Forrester J.W. Dynamic Models of Economic Systems and Industrial Organizations // System Dynamics Review. 2003. Vol. 19, № 4. P. 331–345. DOI: 10.1002/sdr.284 13. Forrester J.W. Industrial Dynamics – After the first decade // Management Science. 1968. Vol. 14, № 7. P. 398–415. 14. Forrester J.W. Industrial Dynamics: A major breakthrough for decision makers // Harvard Business Review. 1958. № 36 (4). P. 37–66. 15. Forrester J.W. Urban Dynamics. Cambridge, Massachusetts: MIT Press, 1969. 299 p. 16. Cho D., Ma S. Dynamic Relationship between Housing Value and Interest Rates in the Korean Housing Market // The Journal of Real Estate Finance and Economics. 2006. Vol. 32, № 2. P. 169–184. DOI: 10.1007/s11146-006-6013-6 17. Hwang S.-J., Park M.-S., Lee H.-S., Yoon Y.-S. Analysis of the Korean Real Estate Market and Boosting Policies Focusing on Mortgage Loans: Using System Dynamics // Korean Journal of Construction Engineering and Management. 2010. Vol. 11, № 1. P. 101–112. DOI: 10.6106/kjcem.2010.11.1.101 18. Eskinasi M. Towards housing system dynamics: Projects on embedding system dynamics in housing policy research. Amsterdam: Eburon Academic Publishers, 2014. 165 p. 19. Седова Е.Н., Стебунова О.И., Ушатова С.Т. Эконометрическое моделиро- вание стоимости жилой недвижимости на ре- гиональном уровне: иерархический подход // Интеллект. Инновации. Инвестиции. 2016. № 4. С. 51–56. 20. Mints A.U. Modeling of the pricing process in the housing market by the methods of system dynamics // Technology audit and production reserves. 2016. Т. 5, № 4 (31). P. 39–45. 21. Ясницкий В.Л. Нейросетевое мо- делирование в задаче массовой оценки жи- лой недвижимости города Перми // Фунда- ментальные исследования. 2015. № 10-3. С. 650–653. 22. Михайлец В.Б. Практика исполь- зования нелинейных регрессионных моделей в оценке // Имущественные отношения в Рос- сийской Федерации. 2010. № 7. С. 54–75. 23. Боброва А.В. Эконометрическое моделирование стоимости квартир на вто- ричном рынке жилой недвижимости // Вест- ник Алтайского государственного педагогиче- ского университета. 2011. № 6. С. 36–40. 24. Воронина Е.В., Береза Н.В. Ис- следование факторов влияния на рынке жи- лой недвижимости с помощью методов ког- нитивного моделирования // Современные тенденции развития науки и образования: мат-лы Междунар. науч.-практ. конф. Прага: Науч.-изд. центр «Мир науки», 2016. С. 252–259. 25. Концевая Н.В. О моделировании рынка недвижимости и возможности прогно- зирования цены квадрата // Статистика и эко- номика. 2016. № 4. С. 31–34. 26. Розанова Л.Ф., Лакман И.А., Туру- тина А.Д. Разведочный анализ и подготовка данных для моделирования стоимости объ- ектов жилой недвижимости на региональных Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 ISSN 2500-154X (online) 38 рынках // Информационные технологии и сис- темы: труды 5-й Междунар. науч. конф., г. Банное, 24–28 февр. 2016 г. Челябинск: Изд-во ЧелГУ, 2016. С. 277–282. 27. Егоров А.Н., Матвеева Н.П., Наг- манова А.Н. Управление стоимостью жилой недвижимости // Экономика и управление. 2011. № 4 (66). С. 44–49. 28. Grushina O.V., Khomkalov G.V. The housing problem in the light of market imperfections theory // Journal of Applied Economic Sciences. 2016. Т. 11, № 3. P. 501–511. 29. Smirnov E.B., Ershova S.A. New paradigm of integrated housing development in the metropolitan area (based on the example of St. Petersburg) // Applied Mechanics and Materials. 2015. Vol. 725–726. P. 1002–1006. 30. Бурова И.В., Паничкина М.В. При- менение методов эконометрического анализа для оценки объектов недвижимости в усло- виях неопределенности рынка // Междуна- родный журнал прикладных и фундамен- тальных исследований. 2016. № 10-3. С. 458–462. 31. Белых Т.И., Бурдуковская А.В., Шерстянкина Н.П. Исследование ценообра- зования на городском рынке коммерческой недвижимости с использованием экономет- рических методов // Известия Иркутской госу- дарственной экономической академии. 2016. Т. 26, № 2. С. 312–321. DOI: 10.17150/1993- 3541.2016.26(2).312-321 32. Гусак А.С., Шерстянкина Н.П. Ис- следование ценообразующих факторов на рынке аренды коммерческой недвижимости // Вестник Университета (Государственный университет управления). 2013. № 5. С. 123–126. 33. Озеров Е.С. Экономический ана- лиз и оценка недвижимости. СПб.: МКС, 2007. 536 с. 34. Сидоренко О.А. Основные на- правления экономико-математического мо- делирования рынка жилой недвижимости // Статистика и экономика. 2013. № 3. С. 153–158. 35. Стерник Г.М., Стерник С.Г. Анализ рынка недвижимости для профессионалов. М.: Экономика, 2009. 606 с. 36. Sternik G.M., Sternik S.G. Evaluation of the Mid-Market Investment Returns in Real Estate Development When Forecasting the Housing Market // Studies on Russian Economic Development. 2017. Vol. 28, № 2. P. 204–212. 37. Bourbonnais R. Econometrie: manuel et exercices corriges. 4th ed. Paris: Dunod, 2002. 317 p. 38. Davidson R., MacKinnon J.G. Econometric Theory and Methods. Oxford: Oxford University Press, 2004. 750 p. 39. Gourieroux C., Monfort A. Statistique et Modeles Econometriques V. 1. Notions generales, Estimation, Previsions, Algorithmes. 2nd ed. Paris: Economica, 1996. 480 p. 40. Greene W.H. Econometric Analysis. 4th ed. New Jersy: Prentice Hall Intenational Inc., 2000. 1004 p. 41. Gujarati D.N. Basic Econometrics. 4th ed. Boston: McGraw Hill, 2003. 1002 p. 42. Johonston J., DiNardo J. Econometric Methods. 4th ed. New York: The McGraw Hill Companies, 1997. 530 p. 43. Lange O. Introduction to Econometrics / prepared with the collaboration of Antoni Banasinski on the basis of lectures delivered at the University of Warsaw. 4th ed. Warszawa: PW N-Polish scientific publishers, 1978. 433 p. 44. Mills T.C. The Econometric Modelling of Financial Time Series. 2nd ed. Cambridge: Cambridge University Press, 1999. 372 p. 45. Mittelhammer R.C., Judge G.G., Miler D.J. Econometric Foundations. Сambridge: Cambridge University Press, 2000. 756 p. 46. Mouchot C. Statistique et Econometrie. Paris: Economica, 1983. 166 p. 47. Ramanathan R. Introductory Econometrics with Applications. 5th ed. Mason: South-Western: Thomson Leaning, 2002. 688 p. 48. Uctum R. Theorie et econometrie du desequilibre en economie. Paris: Economica, 1995. 228 p. 49. Шерстянкина Н.П., Берген Д.Н. Анализ ценообразующих факторов на рынке жилой недвижимости города Иркутска // Со- временное состояние и перспективы разви- тия бухгалтерского учета, экономического анализа и аудита: мат-лы Междунар. науч.- практ. конф / под науч. ред. Е.М. Сорокиной. Иркутск: Изд-во БГУЭП, 2015. С. 131–138. REFERENCES 1. Bedin B.M., Koshman V.N., Khomkalov G.V. Massovaya otsenka rynochnoi stoimosti zhiloi nedvizhimosti v mnogofunktsional'nom gorode: teoriya i praktika [Mass assessment of the market value of real estate in a multifunctional city: theory and practice]. Irkutsk, Baikal State University of Economics and Law Publ., 2006. 124 p. 2. Buzyrev V.V., Selyutina L.G. Zhilishhnaja problema i puti ee reshenija v sovremennyh uslovijah [Housing problem and the ways to solve it in modern conditions]. Saint Petersburg State University Publ., 2013. 335 p. 3. Matveeva M.V. System of incentives and limitations in developing investment and construction activities in residential housing. Vestnik Irkutskogo gosudarstvennogo tekhnich- Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 39 eskogo universiteta [Proceedings of Irkutsk State Technical University], 2013, no. 6 (77), pp. 207–214. (In Russian) 4. Peshkov V.V. Peculiarities to create agreement prices in the housing development. Vestnik Irkutskogo gosudarstvennogo tekhnicheskogo universiteta [Proceedings of Irkutsk State Technical University], 2006, vol. 3 (27), pp. 171–175. (In Russian) 5. Khomkalov G.V., Grushina O.V. Problems of housing availability in the context of the contemporary developments in economic science methodology. Baikal Research Journal, 2011, no. 5. (In Russian) Available at: http://eizvestia.isea.ru/reader/article.aspx?id=96 98 (accessed 16.03.2017). 6. Barnes Y. What Price The World? Savills, January, 28, 2016. Available at: http://www.savills.co.uk/research_articles/18829 7/198669-0/ (accessed 21.03.2017). 7. Brooks C., Tsolacos S. Real Estate Modelling And Forecasting. New York, Cambridge University Press, 2010. 453 p. DOI: 10.1017/cbo9780511814235 8. Maisel S.J., Burnham J.B., Austin J.S. The demand for housing. Review of Economics and Statistics, 1971, no. 53, pp. 410–413. 9. Polinsky A.M., Ellwood D.T. An empirical reconciliation of micro and group estimates of the demand for housing. Review of Economics and Statistics, 1979, no. 61, pp. 199–205. 10.De Leeuw F. The demand for housing. A review of the crosssectional evidence. Review of Economics and Statistics, 1971, no. 53 (1), pp. 1–10. 11.Fallis G. Housing Economics. Toronto, Butterworth, 1985. 250 p. DOI: 10.1016/c2013-0-06307-4 12.Forrester J.W. Dynamic Models of Economic Systems and Industrial Organizations. System Dynamics Review, 2003, vol. 19, no. 4, pp. 331–345. DOI: 10.1002/sdr.284 13.Forrester J.W. Industrial Dynamics – After the first decade. Management Science, 1968, vol. 14, no. 7, pp. 398–415. 14.Forrester J.W. Industrial Dynamics: A major breakthrough for decision makers. Harvard Business Review, 1958, no. 36 (4), pp. 37– 66. 15.Forrester J.W. Urban Dynamics. Cambridge, Massachusetts, MIT Press, 1969. 299 p. 16.Cho D., Ma S. Dynamic Relationship between Housing Value and Interest Rates in the Korean Housing Market. The Journal of Real Estate Finance and Economics, 2006, vol. 32, no. 2, pp. 169–184. DOI: 10.1007/s11146-006- 6013-6 17. Hwang S.-J., Park M.-S., Lee H.-S., Yoon Y.-S. Analysis of the Korean Real Estate Market and Boosting Policies Focusing on Mortgage Loans: Using System Dynamics. Korean Journal of Construction Engineering and Management, 2010, vol. 11, no. 1, pp. 101–112. DOI: 10.6106/kjcem.2010.11.1.101 18. Eskinasi M. Towards housing system dynamics: Projects on embedding system dynamics in housing policy research. Amsterdam, Eburon Academic Publishers, 2014. 165 p. 19. Sedova E.N., Stebunova O.I., Ushatova S.T. Econometric modeling of value of residential property at the regional level: a hierarchical approach. Intellekt. Innovatsii. Investitsii [Intelligence. Innovation. Investment], 2016, no. 4, pp. 51–56. (In Russian) 20. Mints A.Yu. Modeling pricing in the residential real estate market the methods of system dynamics. Tekhnologicheskii audit i rezervy proizvodstva [Technology audit and production reserves], 2016, vol. 5, no. 4 (31), pp. 39– 45. (In Russian) 21. Yasnitskii V.L. Using a neural network to solve the problem of mass real estate appraisal of city perm. Fundamental'nye issledovaniya [Fundamental research], 2015, no. 10-3, pp. 650–653. (In Russian) 22. Mikhailets V.B. The practice of using non-linear regression models in the evaluation. Imushchestvennye otnosheniya v Rossiiskoi Federatsii [Property relations in the Russian Federation], 2010, no. 7, pp. 54–75. (In Russian) 23. Bobrova A.V. Econometric modelling of the cost of apartments in the secondary housing market. Vestnik Altaiskogo gosudarstvennogo pedagogicheskogo universiteta [Bulletin of the Altai State Pedagogical University], 2011, no. 6, pp. 36–40. (In Russian) 24. Voronina E.V., Bereza N.V. Issledovanie faktorov vliyaniya na rynke zhiloi nedvizhimosti s pomoshch'yu metodov kognitivnogo modelirovaniya [A study of factors influencing the real estate market with the help of cognitive modeling techniques]. Sovremennye tendentsii razvitiya nauki i obrazovaniya. Materialy mezhdunarodnoi nauchno-prakticheskoi konferentsii [Modern trends in the development of science and education. Materials of international scientific-practical conference]. Praga, Mir nauki Publ., 2016, pp. 252–259. (In Russian) 25. Kontsevaya N.V. Modeling real estate market: forecasting the price of a square. Statistika i Ekonomika [Statistics and Economics], 2016, no. 4, pp. 31–34. (In Russian) 26. Rozanova L.F., Lakman I.A., Turutina A.D. Exploratory analysis and data preparation to model the cost of objects of housing real estate at the regional markets. Informatsionnye tekhnologii i sistemy. Trudy 5 mezhdunarodnoi nauchnoi konferentsii “Informatsionnye tekhnologii i sistemy”, g. Bannoe, 24-28 fevralya 2016 g. [Informational technologies and systems: works of the 5th International scientific conference, the city of Bannoe, February 24-28, 2016]. Chely- Экономика и управление / Economics and management Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2227-2917 (print) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 ISSN 2500-154X (online) 40 abinsk State University Publ., 2016, pp. 277–282. (In Russian) 27. Egorov A.N., Matveeva N.P., Nagmanova A.N. Residential real estate price management. Ekonomika i upravlenie [Economics and management], 2011, no. 4 (66), pp. 44–49. (In Russian) 28. Grushina O.V., Khomkalov G.V. The housing problem in the light of market imperfections theory. Journal of Applied Economic Sciences, 2016, vol. 11, no. 3, pp. 501–511. 29. Smirnov E.B., Ershova S.A. New paradigm of integrated housing development in the metropolitan area (based on the example of St. Petersburg). Applied Mechanics and Materials, 2015, vol. 725–726, pp. 1002–1006. 30. Burova I.V., Panichkina M.V. The use of methods of econometric analysis for the valuation of real estate in conditions of market uncertainty. Mezhdunarodnyi zhurnal prikladnykh i fundamental'nykh issledovanii [International journal of applied and fundamental research], 2016, no. 10-3, pp. 458–462. (In Russian) 31. Belych T.I., Burdukovskaya A.V., Sherstyankina N.P. Pricing research in the urban commercial real estate market by means of econometric methods. Izvestiya Irkutskoi gosudarstvennoi ekonomicheskoi akademii [Bulletin of Irkutsk State Economics Academy], 2016, vol. 26, no. 2, pp. 312–321. DOI: 10.17150/1993-3541.2016.26(2).312-321 (In Russian) 32. Gusak A.S., Sherstyankina N.P. Investigation of price factors at the rent market of commercial real estate. Vestnik Universiteta (Gosudarstvennyi universitet upravleniya) [News of University (State university of management)], 2013, no. 5, pp. 123–126. (In Russian) 33. Ozerov E.S. Ekonomicheskii analiz i otsenka nedvizhimosti [Economic analysis and real estate valuation]. Saint Petersburg, MKS Publ., 2007. 536 p. 34. Sidorenko O.A. The main directions of economic and mathematical modeling of the real estate market. Statistika i ekonomika [Statistics and Economics], 2013, no. 3, pp. 153–158. (In Russian) 35. Sternik G.M., Sternik S.G. Analiz rynka nedvizhimosti dlya professionalov [Property market analysis for professionals]. Moscow, Ekonomika Publ., 2009. 606 p. 36. Sternik G.M., Sternik S.G. Evaluation of the Mid-Market Investment Returns in Real Estate Development When Forecasting the Housing Market. Studies on Russian Economic Development, 2017, vol. 28, no. 2, pp. 204–212. 37. Bourbonnais R. Econometrie: manuel et exercices corriges. 4th ed. Paris, Dunod Publ., 2002. 317 p. 38. Davidson R., MacKinnon J.G. Econometric Theory and Methods. Oxford University Press, 2004. 750 p. 39. Gourieroux C., Monfort A. Statistique et Modeles Econometriques. Vol. 1. Notions generales, Estimation, Previsions, Algorithmes. 2nd ed. Paris, Economica Publ., 1996. 480 p. 40. Greene W.H. Econometric Analysis. 4th ed. New Jersy, Prentice Hall Intenational, Inc., 2000. 1004 p. 41. Gujarati D.N. Basic Econometrics. 4th ed. Boston, McGraw Hill, 2003. 1002 p. 42. Johonston J., DiNardo J. Econometric Methods. 4th ed. New York, The McGraw Hill Companies, 1997. 530 p. 43. Lange O. Introduction to Econometrics. 4th ed. Warszawa, PW N-Polish scientific publishers, 1978. 433 p. 44. Mills T.C. The Econometric Modelling of Financial Time Series. 2nd ed. Cambridge University Press, 1999. 372 p. 45. Mittelhammer R.C., Judge G.G., Miler D.J. Econometric Foundations. Cambridge University Press, 2000. 756 p. 46. Mouchot C. Statistique et Econometrie. Paris, Economica Publ., 1983. 166 p. 47. Ramanathan R. Introductory Econometrics with Applications. 5th ed. Mason, South-Western, Thomson Leaning, 2002. 688 p. 48. Uctum R. Theorie et econometrie du desequilibre en economie. Paris, Economica Publ., 1995. 228 p. 49. Sherstyankina N.P., Bergen D.N. Analiz tsenoobrazuyushchikh faktorov na rynke zhiloi nedvizhimosti goroda Irkutska [Analysis of pricing factors in the Irkutsk real estate market]. Sovremennoe sostoyanie i perspektivy razvitiya bukhgalterskogo ucheta, ekonomicheskogo analiza i audita. Materialy mezhdunarodnoi nauchno-prakticheskoi konferentsii [Modern condition and perspectives of development of accounting, economic analyses and audit: materials of International scientific and practical conference]. Irkutsk, Baikal State University of Economics and Law Publ., 2015, pp. 131–138. (In Russian) Критерии авторства Contribution Санина Л.В., Шерстянкина Н.П., Берген Д.Н., Дашкевич М.П. имеют равные авторские пра- ва и в равной мере несут ответственность за плагиат. Sanina L.V., Sherstyankina N.P., Bergen D.N., Dashkevich P.M. have equal author’s rights. All author’s bears the responsibility for plagiarism. Экономика и управление / Economics and management ISSN 2227-2917 (print) Известия вузов. Инвестиции. Строительство. Недвижимость Том 7, № 3 2017 ISSN 2500-154X (online) Proceedings of Universities. Investment. Construction. Real estate Vol. 7, No. 3 2017 41 Конфликт интересов Conflict of interests Авторы заявляют об отсутствии конфликта интересов. The authors declare no conflict of interests regarding the publication of this article. Статья поступила 29.05.2017 г. The article was received 29 May 2017

Другие книги из этого раздела





© 2002 - 2024 RefMag.ru