Моделирование рынков жилой недвижимости крупнейших городов России

Abstract

Существующие математические модели массовой оценки и прогнозирования рыночной стоимости жилых объектов обладают рядом недостатков: разработанные для какого-либо одного региона модели не годятся для других регионов. Все они быстро устаревают и требуют постоянной актуализации, поскольку не учитывают постоянно меняющуюся экономическую обстановку. Они не пригодны для оптимизации строительного бизнеса. Целью исследования является создание системы оценки недвижимости городов России, применимой к любым ее регионам, причем независимо от постоянно меняющейся экономической ситуации. Эта цель была достигнута благодаря тому, что в качестве входных параметров нейронной сети помимо строительно-эксплуатационных факторов были учтены географические параметры, фактор времени, а также ряд параметров, характеризующих экономическую ситуацию в конкретных регионах, в России и в мире. Статистические данные о рынках недвижимости РФ, необходимые для обучения нейронной сети, были собраны за длительный период с 2006 г. по 2020 г., что обусловило ее динамические свойства. В качестве примера применения системы были проведены виртуальные компьютерные эксперименты, которые, например, показали, что в Москве самую высокую удельную стоимость квадратного метра имеют однокомнатные квартиры минимальных размеров - 16 м2. Максимальная стоимость двухкомнатных квартир достигается при их площади 90 м2, трехкомнатных - 100 м2, четырехкомнатных - 110 м2, пятикомнатных - 120 м2. Для условий Екатеринбурга среди двухкомнатных квартир наибольшую стоимость квадратного метра имеют квартиры общей площадью 30 м2, трехкомнатных - 110 м2, четырехкомнатных -130 м2, пятикомнатных -150 м2. Таким образом, система может быть использована для оптимизации строительного бизнеса. Она может быть полезна государственным структурам, занимающимся вопросами управления рынком городской недвижимости, вопросами имущественного налогообложения, вопросами повышения эффективности жилищного рынка.

The existing mass appraisal models and mathematical tools for predicting the market value of residential property have a number of disadvantages, as they are developed for individual regions. Without considering the constantly changing economic environment, these models quickly become outdated and require constant updating. Thus, they are not suitable for construction business optimisation. The study aims to create a universally applicable real estate appraisal system for Russian cities, regardless of the constantly changing economic situation. This goal was achieved through the creation of a neural network, whose input parameters include construction and operational data, geographical factors, time effect, as well as a number of indicators characterising the economic situation in specific regions, Russia and the world. In order to examine the dynamics of real estate markets in the Russian Federation, statistical data for neural network training were collected over a long period from 2006 to 2020. Virtual computer experiments were performed for testing the developed system. They showed that minimum size one-room apartments of 16 square meters have the highest unit cost per square meter in Moscow. Two-room apartments with an area of 90 square meters have the maximum price, as well as 100 sq. m. three-room, 110 sq. m. four-room and 120 sq. m. five-room apartments. In Ekaterinburg, two-room apartments with a total area of 30 square meters have the highest cost per square meter; the same applies for 110 sq. m. three-room, 130 sq. m. four-room and 150 sq. m. five-room apartment. Thus, the proposed system can be used to optimise the construction business. It can be also be useful for government institutions concerned with urban real estate market management, property taxation, and housing market improvement.