Рынок вторичной жилой недвижимости эконом-класса

Кроме того, в модель было решено включить показатель логарифма объема инвестиций на одного человека в округе. Данный показатель признаётся значимым лишь на 10% уровне, однако, по моему мнению, признаётся ключевым при описании цены квадратного метра в различных округах Казани. Наши предположения относительно положительного коэффициента при переменной emergency (большинство аварийных жилых построек расположено в центре города, где цена на квадратный метр выше из-за фактора географического положения) и отрицательного при переменной family (чем больше семей получают новые квартиры либо улучшают жилые условия за счет государства, тем меньше спрос на рынке недвижимости) подтвердились. Так, при увеличении логарифма доли аварийных домов на 1% цена квадратного метра увеличится на 0,04%. Такой вывод закономерен лишь при небольшой доле аварийных домов в городе, при росте значений данного показателя картина должна поменяться и коэффициент станет отрицательным. При увеличении же логарифма числа семей, улучшивших свои жилые условия, на 1% стоимость квадратного метра на 0,06%. Коэффициент при переменной investingоказался отрицательным (изначальная гипотеза не подтвердилась), что в первую очередь, связано с тем, что инвестиции на одного человека зачастую больше в развивающихся и строящихся районах на окраинах города, где стоимость квадратного метра меньше, нежели в центре города. 3.3 Анализ экономической эффективностиПрименим тест Веста для ряда дивидендов группы компаний “ЛСР” проанализируем возможность возникновения “пузыря” на московском рынке недвижимости в период с января 2012 года по сентябрь 2020 года. Были собраны квартальные данные по чистой прибыли[32] и количеству обыкновенных акций. Далее, по формуле (32) были рассчитаны показатели дивидендов на одну акцию. (32)Поскольку группа “ЛСР” не выпускала привилегированные акции, то сумма дивидендов по ним равна нулю.Составим алгоритм данного теста: Проведем тесты для проверки исходного ряда дивидендов. В частности необходимо посмотреть на значение теста Жарка-Бера (приложение, рис.45), нулевая гипотеза которого заключается в том, что остатки распределены нормально: Наблюдаемое и критическое значения вычисляются по формуле (33).Тесты нормального распределения представлены в таблице 15. Таблица 15. Тесты на нормальность остатков ряда дивидендов.Тестp-valueТест Дурника - Хансена2,23268E-08Тест Шапиро-Уилка5,45872E-06Тест Лиллифорса0Тест Жарка - Бера0,00681Так как p-valueвсех тестов на нормальность меньше 0,05, то нулевая гипотеща о нормальном распределении отвергается. Следовательно, остатки ряда дивидендов распределены не нормально, то есть ряд признаётся неоднородным. Однако это не мешает нам продолжить исследования.Далее проведем проведен анализ стационарности ряда. Сделаем это с помощью теста Дики-Фуллера (приложение, рис. 46). Согласно нулевой гипотезе этого теста, во временном ряде существует единичный, значит он признаётсянестационарным. Нулевая гипотеза H0: g = 0 Альтернативная гипотеза H1: g < 1 Полученные результаты представлены в таблице 16.Таблица 16. Тест Дики-Фуллера для проверки ряда на стационарность.Наблюдаемое значение (t)-6,557415Критическое значение (t)1%-3,7378535%-2,99187310%-2,635542Так как наблюдаемое значение t-статистики меньше всех критических значений, то можно отклонить гипотезу о том, что временной ряд дивидендов признаётся процессом случайного блуждания. Следовательно, ряд признаётся стационарным. Необходимо также проанализировать сезонность исходного ряда. Для этого сначала построим график сезонной волны.Рис 12. Сезонная волна ряда дивидендов с 2012 по 2019 годыПо рисунку 20 видно, что динамика сезонной волны признаётся стабильной на протяжении 1- 3 кварталов, однако резко растет к четвертому кварталу. Связано это в первую очередь, с тем, что обычно строительство объектов заканчивается в конце года (в 4 квартале), следовательно, и большую часть прибыли компания получает в этот временной промежуток. С увеличением прибыли растут и потенциальные выплаты дивидендов по акциям. Таким образом, можем сделать предположение, что в ряде дивидендов присутствует сезонность. Однако, необходимо провести дополнительные исследования. Для этого проанализируем графики корреляционной и частной корреляционной функции, представленные на рисунках 21 и 22.Рис13. Коррелограмма ряда дивидендовРис14. Частная коррелограмма ряда дивидендовПо рисункам 21 и 22 видно, что, во-первых, коэффициент автокорреляции и частной автокорреляции оказались значимыми на лаге больше третьего, во-вторых, коррелограмма затухает по синусоиде. Все это признаётся индикатором наличия сезонности в данных.Наконец, проведем HEGY тест на наличие сезонных единичных корней (приложение, рис. 47).Таблица 17.HEGY тест ряда дивидендов до сглаживанияГипотезаКритическое значение (5%)СтатистикаНесезонный ед. Корень-2,88-1,512769Сезонный ед. корень (2 квартала)-1,950,413534Сезонный ед. корень (4 квартала)3,080,350963Поскольку наблюдаемое значение статистики сезонного единичного корня (с шагом в 4 квартала) по модулю больше критического, то нулевая гипотеза о наличие сезонного единичного корня не отвергается на 5% уровне значимости. Следовательно, ряд признаётсянестационарным по сезонной компоненте.Таким образом, необходимо устранить сезонность в данных, иначе это может привести к неправильным результатам. Для этого воспользуемся методом скользящего среднего, вычисляемого по формуле (34). (34)Где 2p – длина интервала сглаживания (в данном случае четыре квартала), t – длина временного ряда.Проведем новый HEGY тест для сглаженного временного ряда (приложение, рис. 48).Таблица 18.HEGY тест ряда дивидендов после сглаживанияГипотезаКритическое значение (5%)СтатистикаНесезонный ед. Корень-2,880,642951Сезонный ед. корень (2 квартала)-1,951,037938Сезонный ед. корень (4 квартала)3,088,899536По таблице 18 видно, что теперь наблюдаемая статистика меньше критической, следовательно, можно признать ряд стационарным по сезонной компоненте.На следующем этапе необходимо рассмотреть несколько ARIMA (p;d;q) моделей и выявить наилучшую из них для дальнейшего анализа. Поскольку исходный ряд был изначально стационарным, то порядок интегрируемости d = 0. Для того, чтобы сделать предположение о значениях параметров p и q, необходимо проанализировать графики автокорреляционную и частную автокорреляционную функции (рис. 23 и 24).Рис15. Автокорреляционная функция сглаженного ряда дивидендовРис16. Частная автокорреляционная функция сглаженного ряда дивидендовПоскольку, ACF имеет форму затухающей синусоиды, а PACF имеет выбросы на первых двух лагах, то можно сделать предположение, что это модель AR(2). Так как ACF имеет выброс на 1 лаге, а PACF экспоненциально затухает, меняя знак, то делаем предположение, что это модель MA(1). Таким образом, предположительно наилучшей моделью окажется модель ARIMA (2;0;1). Теперь сравним несколько ARMA моделей и на основе информационных критериев Акаике (AIC) и Шварца (BIC), тестов на нормальность и автокорреляцию остатков, а также характеристик прогноза моделей, выявим наилучшую для дальнейшего анализа. При выборе моделей для анализа мы следовали негласному правилу известному как “принцип экономии”[11], заключающийся в минимизации числа параметров модели. Однако, с ростом шага их точность уменьшается, что снижает надежность полученных оценок модели. Рассмотрим различные ARIMAмодели (приложение, рис. 49 – 63).Таблица 19.Сравнение различных ARIMA моделейМодельAICBICАвтокорреляция (p-value)Нормальность (p-value)Ошибка моделиMAEMAPEARIMA (1;0;1)104,04107,310,082080,0392,2461,5089,49ARIMA (1;0;0)115,37116,460,00068420,933173,2572,324914,089ARIMA (2;0;1)116,57121,110,12650,17542,19331,987914,862ARIMA (1;0;1) + линейный тренд111,90116,440,29720,59442,06591,80613,049По таблице 19 видно, что автокорреляцией остатков не обладают модели ARIMA (1;0;1),ARIMA (2;0;1) и ARIMA (1;0;1) + линейный тренд. Однако, предпочтительнее оказывается модель ARIMA (1;0;1), поскольку она обладает наименьшими значениями информационных критериев и параметрами прогнозирования. Стоит также отметить, что остатки этой модели не подчиняются нормальному распределению.Таким образом, полученная модель ARIMA (1;0;1) задается следующим уравнением (35). (35)Все коэффициенты данного уравнения значимы на 5% уровне.Теперь на основании полученных оценок коэффициентов ( необходимо рассчитать стоимость акций по формуле (36). + (36)Где , i- ставка дисконтирования. На следующем этапе оценим методом OLS регрессию, задающуюся уравнением (37). (37)Параметр = 33,96753 (приложение, рис. 64).На последнем этапе проверим следующую нулевую гипотезу H0: . Вероятностное распределение данной статистики сводится к распределению (0,05;2). Таким образом, все рассчитанные показатели представлены в таблице 20. Таблица 20Параметры двух OLS моделей зависимости цены акции от дивидендовПоказательЗначение показателя17,7983059833,96753 (наблюдаемое значение)-16,1692 (0,05;2) (критическое значение)5,991465Поскольку наблюдаемое значение меньше критического, то нулевая гипотеза не отвергается. Следовательно, согласно тесту Веста,“пузырь” в ценах акций строительной компании “ЛСР” отсутствует. Проведя анализ рынка, можно увидеть, что ставка аренды офисов (коммерческой недвижимости) в Казани колеблется от 780 до 1 500 руб. за м2в месяц. Следовательно, от 9 360 до 18 000 м2 в год. Для всех объектов, кроме «Апартаменты», ставка аренды будет приниматься в этих пределах. «Бизнес центр» будет иметь наибольшую арендную ставку, так как потенциально признаются высокодоходным объектом. «Дом творчества» будет иметь немного меньшую ставку, чем «Развлекательный центр», т.к. у РЦ больше возможностей в привлечении состоятельных клиентов. Арендная ставка для «Апартаменты» рассчитывается путем деления стоимости аренды квартиры на количество квадратных метров. Аналогом была взята однокомнатная квартира на наб. реки Фонтанки, 8: 84 000/50 = 1 680 руб. за м2 в месяц, следовательно, в год – 20 160 руб. за м2. Ставка аренды для земли будет одинаковой для всех объектов независимо от их назначения. Площадь БЦ была взята аналогичной общей площади существующего БЦ . Для Дома Творчества, Развлекательного центра и были использованы параметры, что и у оцениваемого объекта. Для Теннисного корта взята площадь Фитнес зала. В данном объекте недвижимости возможно разместить по 2 квартиры-апартаменты на этаж, средней площадью 60 кв.м. Визуальное представление объектов с площадями можно увидеть в Приложении .Величина потерь от недозагрузки, неплатежей, операционных и иных затрат (Кпот) определена укрупнено. Коэффициент потерь варьируется примерно от 8% до 60%. После проведенного анализа можно заметить, что бизнес центр и апартаменты будут пользоваться спросом, следовательно, Кпот будет маленьким – 15% и 10% соответственно. Теннисный корт на Крестовском острове – явление частое, следовательно, достаточно востребованное, Кпот – 20%. Развлекательный центр и Дом творчества будут иметь коэффициент потерь 30% и 35%, т.к в данном районе большое количество частных развивающих клубов. (Л.А. Лейфер)Стоимость аренды 1 кв. м земельного участка составляет 1 440 руб. в год.Чистый операционный доход (ЧОД) рассчитывается путем уменьшения потенциального валового дохода (ПВД) на величину потерь и недозагрузок, определенную экспертным методом. (Табл. 21)Расчет ПВД:minПВД: 16 000 645 + 1 440 1 050 = 11 832 000 руб./год, отсюдаminЧОД: 11 832 000 0,85 = 10 057 200 руб./годПВД: 17 000 645 + 1 440 1 050 = 12 477 000 руб./год,ЧОД: 12 477 000 0,85 = 10 605 450 руб./годmaxПВД: 18 000 645 + 1 440 1 050 = 13 122 000 руб./год,maxЧОД: 13 122 000 0,85 = 11 153 700руб./годТаблица 21 Расчет величины ЧОД при анализе НЭИ доходным методомВариант использования земельного участкаСтавка аренды, руб./м2 в годПлощадь, м2ПВД, руб./год1-КпотЧОД, тыс. руб./годЗданиеЗемляЗданиеЗемляНижнее значениеСреднеарифметическое значениеВерхнее значениеНижнее значениеСреднеарифметическое значениеВерхнее значениеНижнее значениеСреднеарифметическое значениеВерхнее значение1234567891011121314Бизнес-центр16 00017 00018 0001 4406451 05011 832 00012 477 00013 122 0000,8510 05720010 605 45011 153 700Теннисный корт11 20011 85012 5001 4405281 0007 353 6007 696 8008 040 0000,85 882 8806 157 4406 432 000Апартаменты18 27719 218,520 1601 4407031 70015 296 73115 958 605,516 620 4800,913 767 057,914 362 74514 958 432Дом творчества10 00010 93511 8701 4407031 2008 758 0009 415 30510 072 6100,655 692 7006 119 948,36 547 196,5Развлекательный центр15 20016 227,517 2551 4407031 90013 421 60014 143 932,514 866 2650,79 395 1209 900 752,810 406 385,5После проведения расчетов мы обнаружили, что наибольший интервальный диапазон ЧОД получен в варианте с апартаментами. Чистый операционный доход варьируется от 13 767 058 до 14 958 432 тыс. руб./год. Отсюда следует, что при наименее удачном варианте, который обусловлен наступлением рисков, чистый операционный доход будет составлять 13 млн. 767 тыс. руб. в год, а при наиболее удачом варианте развития событий – ЧОД будет равен 14 млн. 958 тыс. руб. в год. Чтобы избежать негативных последствий резкого колебания стоимости объекта недвижимости, необходимо провести анализ рисков. Чтобы рассмотреть возможные негативные факторы более детально, нужно провести оценку рисков и определить их влияние на показатели объекта недвижимости.Внешние риски: рост числа агентств-конкурентов. Для уменьшения риска остаться без клиентов-арендаторов следует использовать и применять на практике специальные предложения, изучать предложения фирм-конкурентов и предлагать потребителям более качественные и эффективные условия; неблагоприятная экономическая конъектура рынка. Рост инфляционного уровня, обесценивание государственной валюты, финансовый кризис – все это отрицательным образом воздействует на деятельность фирмы. Для уменьшения указанного риска следует как можно более качественно и эффективно взаимодействовать с потенциальными арендаторами, диверсифицировать предлагаемые услуги, в этом случае даже при отрицательных внешних обстоятельствах арендатор выберет исследуемую недвижимость; появление предложения новых объектов недвижимости, которое по сервису и дополнительным услугам превосходит предполагаемые апартаменты. Чтобы не отстать от фирм-конкурентов, требуется постоянный мониторинг свежих инноваций, анализ целесообразности их использования на практике.Внутренние риски:риск увольнения основных сотрудников – обслуживающего персонала апартаментов. Для стимулирования сотрудников работать именно в данном объекте апартаментов нужно проводить корпоративные мероприятия, представлять сотрудников к премии в случае добросовестной и эффективной деятельности и т.д.; риск увеличения постоянных расходов, например расходов на содержание и обслуживание апартаментов. В случае расходов нужно осуществить поиск возможных мер по снижению и оптимизации расходов. Для количественной оценки проведем анализ чувствительности по недвижимости, а именно по основному показателю - NPV. Результат анализа чувствительности чистой приведенной стоимости при изменении факторов от минус 15% до плюс 15% представлены в таблице 11.Объект апартаментов более чувствителен к изменению условий аренды, то есть сбытовой политике нужно уделять постоянное внимание. В данном объекте уровень цен на услуги установлен на уровне рыночного, что дает возможность показать лучшие результаты в ходе реализации услуг, так как при рыночных ценах объект апартаментов может предложить более высокий уровень сервиса.Таблица 22Изменение NPV при отклонениях параметров от базового сценария, в руб.Фактор-15%-10%-5%0%5%10%15%Цена услуг-666 230-432 561-198 89334 775268 444502 112735 780Переменные платежи441 270305 772170 27434 775-100 723-236 221-371 720Постоянные платежи279 849198 158116 46734 775-46 916-128 607-210 298Объем инвестиций167 411123 19978 98734 775-9 436-53 648-97 860Влияние переменных издержек обслуживания апартаментов можно снизить за счет оптимизации расходования коммунальных услуг, оптимизации графика работы обслуживающего персонала и внедрения энергосберегающих технологий. Влияние постоянных издержек можно снизить за счет увеличения объемов реализации дополнительных услуг, что в свою очередь снизит нагрузку на содержание из расчета квадратного метра апартаментов.Наглядное изображение зависимости NPV от изменения факторов представлено на Рисунке 17.Рис17.Зависимость NPV от изменения факторов Исходя из выявленных рисков составим сценарии колебания стоимости объекта апартаментов. Пессимистичный сценарий предполагает рост прямых расходов на содержание объекта, рост инфляции либо повышение заработной платы обслуживающего персонала, а также снижение объемов продаж за счет снижения спроса либо цены услуг. В оптимистичном сценарии допустим рост объемов реализации услуг за счет увеличения цены сбыта ввиду востребованности объекта недвижимости, снижения расходов на обслуживание аппартаментов, понижения инфляции либо снижения расходов на заработную плату. Сравнивать сценарии нужно по критерию чистой приведенной стоимости. Для внесения изменений в соответствующие параметры введем повышающие (понижающие) коэффициенты. В числовом выражении характеристика сценариев приведена в таблице 23.Таблица 23Характеристика сценариевСценарийВероятность, процентовПовышающие (понижающие) коэффициентыNPV, руб.Пессимистичный25%стоимость обслуживания– 1,1-866940объем продаж – 0,9;инфляция – 1,1; заработная плата – 1.1.Реалистичный50%-34775Оптимистичный25% стоимость обслуживания – 0,9;936491объем продаж – 1,1; инфляция – 0,9;заработная плата 0,9.В результате проведенной оценки эффективности и рисков можно сделать следующие выводы:Объект недвижимости – апартаменты – признаётся экономически эффективным в соответствии со всеми рассчитанными критериями эффективности;Объект наиболее чувствителен к изменению реализации услуг аренды и к изменениям переменных издержек, менее чувствителен к изменениям постоянных издержек и объему инвестиций;соотношение рисков и доходности проекта при грамотном управлении и контроле за расходованием средств, позволяет рекомендовать проект для реализации. Таким образом, проведенная оценка рисков объекта недвижимости – апартаментов показала, что проект может быть реализован и принести прибыль собственникам бизнеса. Для этого необходимо обеспечить достижение плана по доходам (выручке), контролировать затраты, поддерживать качество и конкурентоспособность сервиса. Также необходимо постоянно анализировать факторы риска, такие, как изменение конкурентной ситуации, платежеспособного спроса, ценовой политики конкурентов. 3.4 Прогнозирование стоимости квадратного метра на первичном рынкеДалее был построен прогноз модели влияния макроэкономических показателей на стоимость квадратного метра коммерческих помещений в Казани с помощью нейронных сетей в статистическом пакете SPSS. Входными данными послужили ежеквартальные показатели базового уровня инфляции (inflation), курса доллара (dollar) и цены нефти Brent (oil), а в качестве выходных данных была рассмотрена цена квадратного метра на первичном рынке Казани (price) на временном промежутке с 1 квартала 2009 года по 4 квартал 2020 года. Были выбраны данные макроэкономические показатели, поскольку согласно таблице 5 именно они значимо влияют на ценообразование квартиры и не обладают мультиколлинеарностью. Прогноз будет построен на два последующих года с шагом в один квартал.В качестве нейронной сети был выбран многослойный персептрон, архитектура которого представлена на рисунке18.Рис18. Архитектура многослойного персептронаНейронная сеть многослойный персептрон выбрана по причине наличия алгоритма обучения, а именно алгоритма обратного распространения ошибки, с помощью которого существует возможность настройки параметров сети в режиме реального времени. Цель обучения нейронной сети заключается в минимизации отклонений выходов значений сети от известных значений. Данный процесс описывается формулой (38). (38)Где M – количество наблюдений в обучающей выборке; – значение n-го выхода сети на наблюдении m в обучающей выборке; – значение зависимой переменной.Однако из-за сложной структуры функции ошибок нейронной сети алгоритм обратного распространения ошибки может гарантировать лишь нахождение локального минимума. Потому для поиска минимума ошибки рассматриваются нейронные сети с разными значениями весов для обучающей, тестовой и контрольной выборки, разным количеством скрытых слоев, а также варьируются значения количества нейронов на каждом слое. Стоит отметить, что при увеличении количества слоев нейронной сети, метод обратного распространения ошибка начинает снижать свои результаты. Потому установлено, что данный алгоритм может работать эффективно на двух и менее скрытых слоях. В качестве функции активации была выбрана функция гиперболического тангенса, представленная функцией (39).) (39)Где y – выходные данные, – параметр, влияющий на наклон сигмоидной функции.Сравнивая функцию гиперболического тангенса с сигмоидой, у последней можно выделить ряд недостатков, по причине которых данная функция не была рассмотрена в данном исследовании. Во-первых, выход сигмоиды не центрирован относительно нуля, что может влиять на динамику градиентного спуска. Так, если нейрон получает только положительные значения, то в зависимости от градиента всего выражения градиенты весов могут принимать как положительные, так и отрицательные значения. Это приводит к зигзагообразной динамики обновления весов. У гиперболического тангенса такого недостатка нет из-за его центрированности относительно нуля. Во-вторых, следующим недостатком сигмоиды как и гиперболического тангенса признаётся ее насыщение на концах области значения функции, вследствие чего значение градиента на этих участках становится близко к нулю. А процесс обратного распространения ошибки включает в себя одну из операций, заключающуюся в умножении локального градиента на общий градиент. Потому, если значение локального градиента будет стремится к нулю, то это будет обнулять и общий градиент. В итоге, сигнал не будет проходить через нейрон.Кроме того, поскольку область значения гиперболического тангенса представляет собой следующий интервал (-1;1), то предварительно необходимо произвести нормализацию и корректировку данных в пакете SPSS, которая выполняется по закону, описывающимся формулой (40). (40)Где min – минимальное значение переменной x; max – максимальное значение переменной x; – значение параметра поправки.Были рассмотрены нейронные сети с различными весами обучающей, тестовой и контрольной выборки. Характеристики сетей представлены в таблице.Таблица 24Характеристики нейронной сети многослойный персептрон с функцией активации гиперболического тангенсаРазмер выборок (%)Архитектура сетиОтносительная ошибка выборок (%)Обуч.Тест.Контр.Скрытые слоиЧисло нейронов на каждом скрытом слоеОбуч.Тест.Контр.62,51522,5110,6190,6140,757652015110,6620,730,675751015120,620,9970,95867,512,520130,6810,7190,74672,57,520140,3660,380,344557,537,5120,4910,5071,25147,54012,5130,4490,620,686701020130,7180,2111,202603010110,5590,421,889По таблице 21видно, что наименьшими и наиболее стабильными (уравненными) относительными ошибками обладают сети со следующими распределениями весов между выборками: 62,5-15-22,5; 72,5-7,5-20 и 70-10-20 (выделены желтым цветом). На основе таблицы 22, было выявлено, что курс доллара признаётся наиболее важным показателей, влияющим на показатель цены квартиры.Таблица 25Важность показателей независимых переменных в моделиНормализованная важность независимых переменных (%)Показательцена62,5-15-22,5цена 72,5-7,5-20цена 70-10-20inflation79,261,283,8oil10057,676,4dollar89,5100100Так, по-моему, мнению наилучшей нейронной сетью признаётся сеть с 72,5% обучающей выборки, которая показала относительную ошибку в 0,366% на обучающей выборке, 0,38% на тестовой выборке и 0,344% на контрольной выборке.Рис 19. Различные модели нейронных сетей для стоимости квадратного метра на первичном рынке недвижимости г. Казанив период с 2009 по 2020 годыПо рисунку 26 видно, что все три нейросетевые модели прогнозируют незначительное увеличение цен к концу 2020 года. Анализируя таблицу 23, приходим к выводу, что к концу 2020 года цен на квадратный метр квартиры на первичном рынке установится в промежутке от 117914 до 123147 рублей. В среднем с начала 2019 года цены должны вырасти на 0,52% - 2,28%. Такой малый рост вполне обоснован в виду достаточно стабильной экономической обстановки в стране.Таблица 26Показатели прогноза цены нейросетевых моделейДатаЦена 62,5-15-22,5Цена 72,5-7,5-20Цена 70-10-202019.1120456,65117304,77119180,732019.2120847,39117431,49119602,762019.3121240,29117546,13120018,322019.4121630,55117646,36120421,982022.1122013,46117731,56120808,912022.2122392,81117803,71121183,012022.3122772,27117864,58121547,732022.4123147,19117914,6121898,53ЗаключениеТаким образом, был проведен комплексный анализ первичного и вторичного рынка жилой недвижимости Казани. Первоначальный анализ показал, что рынок жилой недвижимости как России, так и Казани развивается. В последние пять лет в России присутствует тенденция к увеличению (на 22,6%) числа построенных квартир, а также уменьшения их площади примерно на 8%. Рынок жилой недвижимостиКазани признаётся довольно дорогостоящим: стоимость строительства одного квадратного метра обходится на 50% дороже, чем в среднем по России. На уровне районов и округов замечена сильная дифференциация цены.В результате анализа макроэкономических показателей, было выявлено, что значимое влияние на стоимость квадратного метра на первичном рынке оказывают показатели курса евро, ставки рефинансирования и цены золота. Результаты исследования панельных данных по округам Казани показали, что наилучшей моделью признаётся модель с фиксированными эффектами. На 5% уровне значимыми оказались показатели доли аварийных жилых домов и количества семей, улучшивших свои жилищные условия. Также в модель (на 10% уровне значимости) был включен показатель объема инвестиций на душу населения района. Многие регрессоры, в числе которых средняя заработная плата в регионе, плотность населения, количество общеобразовательных учреждений на квадратный км., оказались незначимыми, что противоречит поставленной в начале исследования гипотезе. Можно говорить о том, что гипотеза не подтвердилась, поскольку для данной модели не получен ожидаемый набор значимых переменных.Путем анализа дивидендного ряда группы компаний “ЛСР” было выявлено, что “пузыря” в акциях этой компании на временном отрезке с 2012 по 2020 годы (с шагом в 1 квартал) не обнаружено. Выдвинутая гипотеза подтвердилась.Наконец, на основе таких макроэкономических показателях как уровень базовой инфляции, курс доллара и ставка рефинансирования был построен прогноз до 2020 года с шагом в 1 квартал с помощью нейронной сети многослойный персептрон. Прогноз показал незначительное увеличение цены квадратного метра на 0,5%-2,8% в зависимости от выбора нейронной сети. Можно считать, что выдвинутая гипотеза подтвердилась. Таким образом, три из четырех выдвинутых гипотез были подтверждены в ходе исследования.Список литературыАрефьева Е. А., Костяев Д. С. Использование нейронных сетей для оценки рыночной стоимости имущества. Известия Тульского государственного университета. Техническая наука, 2012.Балаш А., Балаш О., Харламов, А. Эконометрический анализ геокодированных данных о ценах на жилую недвижимость. Прикладная эконометрика, 22 (2), 2011.Дробышевский С. М., Наркевич С. С. Анализ возможности возникновения "пузыря" на российском рынке недвижимости. Научные труды № 128, 2009.Евстафьев А.И., Гордиенко В.А. Прогнозирование индикаторов рынка недвижимости путём двумерного разложения дискретной пространственно-параметрической модели на основе применения нейросетей. – Материалы Х1 Национального конгресса по недвижимости, - М., 2007.Ермилова М.И. Анализ Российского жилищного рынка в 2006 – 2015 годы. Финансовая аналитика: проблемы и решения. № 8 (с. 36-46), 2018.Катышев П.К., Хакимова Ю.А., Экологические факторы и ценообразование на рынке недвижимости (на примере г. Казани). Прикладная эконометрика, №4 (28), 2012.Катышев П.К., Эйсмонт О.А., Оценка эффективности экологических проектов на примере г. Казани. Экономика и математические методы, 46(2), 2010.Преображенский А.А., Новицкая Т.Е.Законодательство Петра I.М.: Юрид. лит., 880 с., 1997.Снитюк В.Е. Применение метода стохастической релаксации для прогнозирования рынка недвижимости. Международная научная конференция «Нейросетевые технологии и их применение. – Краматорск, 2003.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, № 2, стр. 60-64, 2014.Трегуб А.В., Трегуб И.В.. Методика построения модели ARIMA для прогнозирования динамики временных рядов. Лесной вестник №3, 2011. Яковлев А.А. Становление рынка жилой недвижимости в истории новейшей России. Журнал: “Проблемы современной экономики”, 2010.Ben-Porah Y. (1973). Labour force participation rates and the supply of labor. Journal of Econometrics, v.81, pp. 307-327.Bowes D.R. , Ihlanfeldt K.R. Identifying the impacts of rail transit stations on residential property values. Journal of Urban Economics, 50, 2001. Chaudhry M.K., Rohan A.C, William H.C. "Long-Term Structural Price Relationships in Real Estate Markets," Journal of Real Estate Research, American Real Estate Society, vol. 18(2), pages 335-354, 1999.Dunkan M. The impact of transit-orientated development on housing prices in San Diego, Urban Studies, 48(1), 2011.Fattouh B. The Brent Market and Its Layers // An Anatomy of the Crude Oil Pricing System. — Oxford Institute for Energy Studies, 2011. — С. 36. — 83 с.Gurkaynak R.S. Econometric Tests of Asset Price Bubbles: Taking Stock // FEDS Working Paper, 2005.Kindelberger C.P. Manias, Panics and Crashes: a History of Financial Crises. John Wiley & Sons, 2000.Lucas R.E. Jr. Expectations and the Neutrality of Money // Journal of Economic Theory. 4: 103–l24, 1972.Magnus J.R., Peresetsky A.A. The price of Moscow apartments. Прикладнаяэконометрика, 17(1), 2010.McCue T.E., Kling J.L. Real Estate Returns and the Macroeconomy. The Journal of real estate research, V9 №3, 1994.Pan Q., Pan H., Zhang M. Effects of Rail Transit on Residential Property Values, 2014.Rosen, Hedonic prices and implicit markets. Journal of Political Economy, №82, 1974.Rosenberg B., Rudd A. Factor-Related and Specific Returns of Common Stocks: Serial Correlation and Market Inefficiency // The Journal of Finance. Vol. 37. № 2, 1982.Интернет платформа с данными по финансовым рынкам. Цены нефти Brent. URL:[https://ru.investing.com/commodities/brent-oil-historical-data]Информационный портал словарей и энциклопедий. Определение понятия сервитут. URL:[ https://official.academic.ru/22774/%D0%A1%D0%B5%D1%80%D0%B2%D0%B8%D1%82%D1%83%D1%82]Информационный портал словарей и эенциклопедий. Определение понятия суперфиций.URL:[https://dic.academic.ru/dic.nsf/lower/18630] Компьютерная правовая система России “Консультант Плюс”. Право ограниченного пользования чужим земельным участком. URL:[ ttp://www.consultant.ru/document/cons_doc_LAW_5142/a6b643e62769c86f98c64d9ad628c0e5a2e92f3b/]Общественно-политическое интернет издание “Газета.ру”. Цены на жилье в кризис, 13.01.2015. URL:[ https://www.gazeta.ru/realty/2015/01/13_a_6374121.shtml]Показатели цены золота. URL:[http://gold.investfunds.ru/indicators/224]Раскрытие информации группой компаний ЛСР. URL:[https://www.lsrgroup.ru/investors-and-shareholders/disclosure-of-information]Российский медиахолдинг РБК. Влияние основных макроэкономических показателей на цены рынка недвижимости, 18.04.2011. URL:[https://realty.rbc.ru/news/577d31ba9a7947a78ce97f93]Росстат. О жилищном строительстве. URL:[ http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/enterprise/building/#]Росстат. Основные показатели социально-экономического положения муниципальных образования. URL:[ http://moscow.gks.ru/wps/wcm/connect/rosstat_ts/moscow/ru/municipal_statistics/main_indicators/]Росстат. Средняя цена 1 кв.м. общей площади коммерческих помещений на рынке жилой недвижимости. URL:[http://www.gks.ru/dbscripts/cbsd/DBInet.cgi?pl=1905001]Центральный банк РФ. Динамика курса валют. URL:[https://www.cbr.ru/currency_base/dynamics/]Центральный банк РФ. Динамика ставки рефинансирования. URL:[http://www.cbr.ru/pw.aspx?file=/statistics/credit_statistics/refinancing_rates.htm]Центральный банк РФ. Задолженность по кредитам, предоставленным физическим лицам. URL:[http://www.cbr.ru/statistics/udstat.aspx?Month=01&Year=2020&TblID=4-5]Центральный банк РФ. Инфляция на потребительском рынке. URL:[http://www.cbr.ru/statistics/?PrtId=macro_sub]ПриложениеРис 27. Стоимость квадратного метра в районах КазаниРис 28. Модель множественной регрессииРис 29. Тест Рамсея Рис 30. Тест на нормальное распределение остатков моделиРис 31. Значения VIF – ов для исходной моделиРис 32. Тест Дарбина-Уотсона на автокорреляциюРис 33. Тест Дарбина – Уотсона на автокорреляцию для преобразованной моделиРис 34. Модель множественной регрессии после устранения автокорреляции остатковРис 35. Процесс последовательно удаления регрессоров из моделиРис 36. Модель множественной регрессии после устранения автокорреляции остатков (преобразованная)Рис 37. Значения VIF – ов для преобразованной моделиРис 38. Обычная модель панельных данных (pooledregressionmodel)Рис 39. Модель с фиксированными эффектами (fixedeffects)Рис 40. Тест Вальда для модели с фиксированными эффектамиРис 41. Модель со случайными эффектами (fixedeffects)Рис 42. Тест Хаусмана Рис 43. Тест Бройша – Пегана Рис 44. Модель с фиксированными эффектами (преобразованная)Рис 45. Тест на нормальное распределение ряда дивидендовРис 46. Тест Дики- Фуллера для проверки ряда дивидендов на стационарностьРис 47. HEGY тест до сглаживания ряда дивидендовРис. 48. HEGY тест после сглаживания ряда дивидендовРис 49. Модель ARIMA (1;0;1)Рис. 50. Тест на нормальное распределение модели ARIMA (1;0;1)Рис. 51. Тест Льюинга – Бокса на автокоррреляцию модели ARIMA (1;0;1)Рис. Параметры прогноза модели ARIMA (1;0;1)Рис.52. Модель ARIMA(1;0;0)Рис 53. Тест на нормальное распределение модели ARIMA(1;0;0)Рис. 54. Тест Льюинга – Бокса на автокоррреляцию модели ARIMA (1;0;0)Рис.55. Параметры прогноза модели ARIMA (1;0;0)Рис.56. Модель ARIMA (2;0;1)Рис.57. Тест на нормальное распределение модели ARIMA (2;0;1)Рис.58. Тест Льюинга – Бокса на автокоррреляцию модели ARIMA (2;0;1)Рис.59. Параметры прогноза модели ARIMA (2;0;1)Рис.60. Модель ARIMA (1;0;1) + линейный трендРис. 61. Тест на нормальное распределение модели ARIMA (1;0;1) + линейный трендРис. 62. Тест Льюинга – Бокса на автокоррреляцию модели ARIMA (1;0;1) + линейный трендРис.63. Параметры прогноза модели ARIMA (1;0;1) + линейный трендРис.64. Модель оценки фундаментальной стоимости акции относительно потока дивидендов