На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


статья Анализ и прогнозирование цен недвижимости

Информация:

Тип работы: статья. Добавлен: 15.05.2012. Сдан: 2011. Страниц: 11. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Приволжский центр финансового  консалтинга и  оценки 
 
 
 
 
 
 
 
 

Лейфер  Л. А. Гришина М.
            Анализ  и прогнозирование  цен недвижимости. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Нижний  Новгород                  2009 год
 

Содержание 

 

Вводная часть

     На  современном этапе, когда Россия вступила в период мирового финансового кризиса, начавшегося в конце лета 2008 года и продолжающегося в настоящее время, особую важность приобрела проблема прогнозирования основных параметров рынка. Это связано с тем, что в периоды системных кризисов, охватывающих все рынки, значимость и эффективность принимаемых решений определяется их будущими последствиями, которые невозможно оценить, не предвидев, каким это будущее будет. Конечно, любая будущая ситуация является весьма неопределенной. Поэтому не существует способов, позволяющих точно «угадать» ее развитие. Вместе с тем известно множество приемов, методов и соответствующих средств, позволяющих обнаружить тенденции, логику развития тех или иных процессов и на основе сопоставления с прошлым опытом предсказать характеристики наиболее вероятного развития событий.
     Сложность проблемы прогнозирования параметров рынков в данный момент обусловлена тем, что развивающиеся кризисные явления, спровоцированные дисбалансом спроса и предложения на одном или нескольких рынках товара, распространяются на рынки других товаров через взаимосвязанность экономической системы. С точки зрения возможности прогнозирования этот период характеризуется повышенной неопределенностью, когда последующее поведение тех или иных показателей рынка сложно предугадать, и вывод можно сделать лишь из совместного анализа поведения различных факторов, влияющих на значения прогнозируемого показателя.
     Основу  прогноза обычно составляет анализ динамики процессов на рынке в прошедшие годы, обнаружение и детальное изучение взаимосвязей между явлениями и показателями, сопровождающих эти процессы, описание их количественных и качественных характеристик и выявление устойчивых закономерностей. В наибольшей степени состояние рынка и его динамику в соответствующем сегменте отражают цены. Дело в том, что цены формируются под действием всех факторов, включая платежеспособный спрос, наличие на рынке объектов недвижимости и соответственно уровень предложений, сопутствующие условия для приобретения – развитие системы кредитования, процентные ставки и требования к первоначальному взносу. Наконец, на цены влияют ожидания рынка. Таким образом, рыночная цена вбирает в себя всю релевантную информацию об объекте, известную участникам рынка.
     Наибольшую  эффективность прогнозирования  можно обеспечить, осуществляя анализ процессов на рынке сразу по трем направлениям.
     Первое  направление связано с изучением процессов изменения цен на рынке, выявлением устойчивых тенденций, которые проявлялись в прошлом, и относительно которых имеются основания предполагать, что они сохранятся и в будущем. В качестве основного инструментария для этого обычно используются модели и статистические методы анализа временных рядов, развитые в рамках традиционной методологии случайных процессов. Данный анализ и опирающиеся на него методы прогнозирования обычно используются в ситуации спокойного развития рынка, далекого от кризисных явлений и непредвиденных скачков цен.
     В условиях кризиса более полезным может оказаться анализ развития подобных явлений в прошлом. Для этого необходимо выявить общие инварианты, характерные для подобных кризисов, построить адекватные модели динамики цен при нарастании и свертывании кризисных процессов. При этом следует применять методологию статистического подобия, как инструмента анализа таких процессов. В этом случае может оказаться эффективным использование фракталов, получивших за последние годы развитие в различных областях и, в том числе, при анализе экономических процессов.
     Важным дополнением к выявлению сложных закономерностей, характеризующих механизмы развития процессов на рынке, в том числе, в периоды кризисного развития, является анализ связей между различными процессами, воздействующими друг на друга. Такой анализ позволяет обнаружить закономерности явлений, скрытые пружины, толкающие цены и другие параметры рынка в том или ином направлении. В качестве основного инструментария исследования в этом случае выступает методология изучения многомерных временных рядов и, прежде всего, его важнейшая ветвь – корреляционный и регрессионный анализ. Заметим, что при кажущейся простоте такой анализ имеет ряд нюансов, игнорирование которых зачастую приводит к серьезным ошибкам в интерпретации его результатов.  

     В данной статье сделана попытка выполнить  анализ динамики цен жилой недвижимости, в той или иной степени коснувшись всех упомянутых направлений. Результаты такого анализа могут служить базой для прогноза дальнейшего развития рынка недвижимости.
     Основной упор в статье сделан на объяснение наглядного смысла излагаемых методов, а также описание их практического использования. При этом авторы с неизбежностью сталкиваются со сложными, плохо формализуемыми ситуациями. Поэтому важные утверждения в статье зачастую основаны на качественных нестрогих рассуждениях. При этом, однако, мы старались избежать чрезмерного упрощения, которое в условиях дефицита информации и значительной роли фактора неопределенности в анализируемой ситуации рискует обернуться ложными выводами.
 

1. Анализ траектории изменения цен недвижимости в Нижнем Новгороде (январь 1997-июнь 2009 гг.)

     В качестве отправной точки для  осуществления процесса прогнозирования  цен на рынке недвижимости необходимо проанализировать имеющиеся данные и проследить, как менялись цены на недвижимость на протяжении последних лет.
     Вначале следует отметить, что, как известно, цены на рынках недвижимости в каждом из регионов формируются под влиянием общих тенденций по всей стране. Другой особенностью рынка недвижимости является то, что повышения/понижения цен на одном из сегментов рынка недвижимости неизбежно влекут за собой соответствующие изменения цен и в других сегментах. Следует также упомянуть тот факт, что первоначально на повышение покупательской способности реагирует спрос именно на жилые объекты. При этом процессы на рынке недвижимости в различных городах и в различных сегментах рынка развиваются подобным образом. В связи с этим, рассмотрение динамики цен на рынке недвижимости в любом конкретном городе позволяет увидеть общую картину развития рынка недвижимости для всей России. Ниже приводится анализ динамики цен на вторичном рынке жилья в Нижнем Новгороде за последние 12 лет.
     Исходные  данные для анализа цен взяты  из базы данных, которая, начиная с 1995 года, систематически ведется Агентством недвижимости «Орион НН» и содержит более 100 000 записей. При этом все имеющиеся в базе данные проверены путем опроса продавцов. В связи с этим они действительно отражают состояние рынка в любой момент времени из рассматриваемого периода. Имеющиеся данные обрабатывались программной системой «REALTY – PRO». Данная программная система наряду с обеспечением решения других задач позволяет рассчитывать массовую оценку рыночной стоимости, ассоциируемую с достаточно узким сегментом рынка, внутри заданного интервала времени и с фиксированной периодичностью (еженедельно, ежемесячно, ежеквартально и т.д.). Особенность заложенных в эту программу алгоритмов состоит в том, что с помощью специальной технологии перекачки информации между разными сегментами рынка программа обеспечивает расчет удельных цен внутри каждого сегмента рынка в отдельности с максимальным использованием всей релевантной информации. Другими словами, рассчитываются не средние по городу цены (которые при их огромном разбросе имеют смысл среднебольничной температуры), а изменения средних цен в каждом отдельном сегменте рынка (например, для трехкомнатных квартир стандартной планировки, в конкретной зоне Нижнего Новгорода). Поэтому представленные на графике значения характеризуют по существу динамику цен в рассматриваемом периоде времени, характерную для каждого достаточно узкого сегмента в отдельности.
     Результаты  обработки данных, представлены здесь  в виде временных рядов [5], которые отображены на соответствующих графиках с заданной периодичностью. Для удобства визуального анализа цены представлены относительными значениями, приведенными к январю 1997 года. Таким образом, расчетная стоимость одного квадратного метра квартиры в начале периода (январь 1997 года) принята за единицу. График значений временного ряда относительных цен, вторичного жилья Нижнего Новгорода, взятых  в долларах, за рассматриваемый период (январь 1997 - июнь 2009 гг.) выглядит следующим образом:

Рис. 1. Динамика стоимости вторичного жилья (долл./кв.м.) в Нижнем Новгороде за период январь 1997 –июнь 2009 гг. 

Еще раз  отметим, что при расчетах использовались цены в долларовом выражении. Аналогичная динамика, но уже в рублевых ценах, представлена на рисунке ниже:
Рис. 2. Динамика стоимости вторичного жилья (руб./кв.м.) в Нижнем Новгороде за период январь 1997 – июнь 2009 гг. 

     Первым  очевидным выводом из представленного  графика является констатация того факта, что в периоды между кризисами цены на рынке недвижимости Нижнего Новгорода практически монотонно растут. Существуют лишь краткосрочные промежутки, когда траектория движения цен меняла направление. В целом, анализируя график и события, характерные для соответствующего периода времени, можно выделить несколько этапов:
    Незначительный прирост стоимости с 1997 года до августа 1998 года, являющийся продолжением тенденции более раннего периода (с 1995 года).
    В связи с резким скачком курса доллара в августе 1998 года (более чем в 2 раза – с 6,7 руб./долл. до 14,4 руб./долл.), цены на квадратные метры недвижимости, имевшие долларовое выражение, постепенно (в течение периода август 1998 - август 1999 гг.) начали снижаться в стремлении уравняться с рублевыми показателями своих аналогов.
    2000 – 2005 гг. – продолжительный период стабильного роста цен на недвижимость, обусловленный, во-первых, общим приростом благосостояния населения, во-вторых, постепенным возрастанием дефицита площадей. Так за пять лет цена за квадратный метр вторичного жилья в Нижнем Новгороде увеличилась вдвое по сравнению с начальным уровнем, однако это послужило лишь началом грандиозного взлета цен на недвижимость в последующий период.
    Конец 2006 – июль 2008 гг. – период бурного повсеместного роста цен на недвижимость (почти в 3,5 раза за 2 года). Начало взлета пришлось на конец лета 2006 года – с возобновлением деловой и покупательской активности после летнего сезона. Это было обусловлено рядом причин, в том числе, началом развития ипотеки и в связи с этим увеличивающимися возможности приобретения квартир населением. Дополнительным фактором, простимулировавшим возросший спрос на недвижимость, послужила тенденция к ее непосредственному использованию в качестве финансового инструмента, а именно, распространенная процедура покупки недвижимости спекулянтами с целью последующей реализации по более высоким ценам в условиях быстро растущего рынка. Это, однако, привело к неадекватному росту цен, что и привело к последующему их снижению.
    Июль 2008 – февраль 2009 гг. – начало спада, обусловленное последствиями мирового финансового кризиса (падение в 1,5 раза по сравнению с максимальным уровнем июля 2008 года).
    Февраль-июнь 2009 года – наблюдается замедление темпов падения цен. Однако пока понижательный тренд на рынке недвижимости еще не переломлен. Тенденция может продолжиться вплоть до конца 2009 года, считают в Ассоциации строителей России (АСР). Снижение цен может подстегнуть рост неплатежей по банковским кредитам, в результате банки начнут продавать заложенное у них имущество застройщиков. Также давление на цены в сторону их снижения, вероятно, окажет нехватка денег у девелоперов. Они вынуждены будут снижать цены, чтобы ускорить продажу построенных квартир. Однако больших скидок не будет. Рынок потихоньку начинают готовить к грядущему дефициту новостроек. Темпы строительства заметно снижаются. Внутри строительной отрасли зреют предпосылки для нарастающего дефицита жилья. Грядущий дефицит жилья, спровоцированный проблемами в строительной отрасли, приведет к неминуемому росту цен.
 
         Таким образом, исследование общей динамики цен на недвижимость за период январь 1997-июнь 2009 гг. показывает в среднем повышательный тренд, стимулируемый все увеличивающимся платежеспособным спросом на жилые квадратные метры. Как аномальное явление с точки зрения общей динамики, сложившейся на рынке недвижимости за последние 12 лет, особый интерес представляет собой поведение цен в периоды кризисов, наблюдавшимися в 1998 году и в текущем 2009 году.
 

2. Прогнозирование цен в условиях относительно стабильного состояния экономики. Статистические методы, основанные на анализе трендов

     Применение  статистических моделей и методов  для целей прогнозирования представляет собой наиболее распространенный способ анализа накопленных массивов количественной информации о динамике тех или  иных показателей с целью моделирования процесса их дальнейшего изменения и развития. К настоящему времени статистическая обработка рыночных данных все чаще предполагает составление регрессионных уравнений и оценку параметров, выходя за пределы парного линейного анализа и базовых понятий инструментария статистики. В частности, росту популярности статистических методов в практике оценочной деятельности в немалой степени способствовал новый уровень требований к Отчетам об оценке, связанный с повышением персональной ответственности Оценщика.
     Однако  отмеченная популярность методов регрессионного анализа имеет и оборотную сторону. Чрезмерно увлекаясь технологией обработки, Оценщик зачастую забывает о предпосылках, на которых основаны эти методы, и соответственно о требованиях, предъявляемых к статистическим данным. Применение статистических методов «облегченного типа» (термин ввел профессор МГУ Тутубалин В.Н. [15]) заменяет необходимость серьезного изучения аппарата анализа данных, включающего и правильный подбор исходных данных, и анализ допущений на предмет их обоснованности, и, наконец, интерпретацию результатов, освоением простейшей процедуры, которая легко реализуется с помощью широко применяемых экселовских таблиц. Проведенный ниже анализ подтверждает, что внешне красивые и формально правильные результаты ничего не дают с содержательной точки зрения. Более того, своей красотой и кажущейся корректностью они вводят в заблуждение и создают видимость научно обоснованного, а значит и правильного прогноза.
     Перед тем как приступить к анализу реальных процессов, характеризующих динамику рынка недвижимости, следует привести краткий обзор методов, которые будут использоваться в работе.

Анализ временных рядов. Предварительные замечания

     Временной ряд представляет собой последовательность значений случайной величины, например, цен объектов недвижимости в данном сегменте рынка, генерируемых последовательно во времени. В случае, когда время непрерывно, временной ряд также называется непрерывным. Если же время изменяется дискретно, получаем дискретный временной ряд. В данной статье рассматриваются исключительно дискретные временные ряды, в которых наблюдения осуществляются через фиксированные интервалы времени, например, месяц, квартал или год.
     Следует отметить, что идея использования математических моделей для описания поведения экономических систем является общепризнанной. В том случае, если бы экономические законы, управляющие рыночными процессами, могли бы быть точно описаны системами дифференциальных уравнений, вычисление характеристик рынка в любой момент времени не представляло бы принципиальных трудностей. В этом случае было бы возможным точно предсказать, как, например, будут меняться цены в дальнейшем. Однако, если в физике иногда и удается построить детерминированные модели, то в экономике ситуация коренным образом отличается. На экономические процессы в большой степени влияют неконтролируемые факторы. Причинно-следственные связи не поддаются строгому анализу, а многие явления обнаруживаются лишь тогда, когда они уже проявились. Кроме того, существует множество параметров, выраженных косвенным образом, которые также необходимо учесть. Для таких систем нельзя предложить детерминированную модель, допускающую точное вычисление будущего поведения системы. Тем не менее, можно рассматривать ее аналог, позволяющий определить вероятность того, что некоторое будущее значение будет лежать в конкретном интервале. Такая модель называется вероятностной или стохастической. Соответственно, модели временных рядов, позволяющие описать динамику процессов на реальном рынке, являются стохастическими.
     В соответствии с приведенными терминами, если будущие значения временного ряда точно определены какой-либо математической функцией, временной ряд является детерминированным. В противном случае, при возможности описания будущих значений только с помощью случайных величин, получаем случайный временной ряд. Временные ряды, которые характеризуют поведение параметров рынка, являются случайными.
     В дальнейшем следует различать стохастический процесс и временной ряд, представляющий собой множество наблюденных значений, упорядоченных во времени. Модель, описывающую вероятностную структуру последовательности наблюдений временного ряда, называют стохастическим процессом. [5]. Если же использовать более строгую статистическую терминологию, наблюденный временной ряд есть выборочная реализация из бесконечного ансамбля таких рядов, генерируемых стохастическим процессом. Из всех стохастических процессов выделяется отдельный класс, который характеризуется постоянными, не изменяющимися в течение больших интервалов времени значениями среднего арифметического и дисперсии. Такие процессы называются стационарными. При этом величину среднего и дисперсии можно оценить стандартными методами, относящимися к обработке случайных величин.
     В большинстве случаев временные  ряды, описывающие процессы на рынке (например, цены недвижимости, или котировки  акций) обнаруживают нестационарный характер. Это, прежде всего, выражается в том, что значения временного ряда не колеблются относительно фиксированного среднего, а проявляют четко выраженную тенденцию к росту или падению. Также во многих случаях значениям временного ряда присуще наличие периодической составляющей, - следствие сезонности тех или иных процессов. Среди моделей, описывающих нестационарные процессы, наиболее распространенными являются регрессионные модели. Для них характерно то, что, хотя уровень, относительно которого происходят флуктуации, может принимать отличные значения в разные моменты времени, поведение рядов (после исключения меняющегося уровня) оказывается во многом сходным. Следует отметить, что именно методы регрессионного анализа пользуются наибольшей популярностью среди всей совокупности статистических методов прогнозирования временных рядов. Они основаны на выявлении общих тенденций, которые ассоциируются с проявляющимися трендами, и построении математической модели тренда, выраженной уравнением, по которому и рассчитываются прогнозные значения исследуемого явления. При этом простейшим видом регрессионной модели является такая, в которой в качестве независимой переменной выступает фактор времени.
     Наряду  с трендовыми моделями для прогнозирования  временных рядов используются авторегрессионные модели, основанные на выявлении взаимосвязей между значением анализируемого временного ряда в текущий момент времени и рядом значений, соответствующих предыдущим моментам времени: . Отметим, что построение авторегрессионных моделей напрямую связано с преобразованием исходного нестационарного ряда, если он таковым является, к стационарному виду с помощью набора некоторых несложных операций для расчета коэффициентов модели (метод последовательных разностей, цепные индексы, логарифмирование). В этом и состоит их принципиальное отличие. Если регрессионная модель составляется по данным исходного ряда и состоит в выявлении трендов, которые интерполируются функциями различной сложности, то в авторегрессионной модели прогнозирование осуществляется обычно на основе стационарных рядов, образованных в результате преобразования исходных данных. Впоследствии производится процедура обратного перехода к значениям исходного ряда.
     При этом порядок авторегрессионной  модели (количество включаемых в нее  в качестве факторных показателей предыдущих уровней ряда) напрямую зависит от вида ряда, а точнее, от степени корреляции между последовательностями его уровней. В связи с этим включение в авторегрессионную модель фактических переменных ограничено для каждого конкретного случая определенным числом параметров, превышать которое нецелесообразно с точки зрения адекватности получаемых результатов (включение в модель незначимых переменных, как правило, снижает точность прогноза, получаемого по такой модели). В свою очередь, определенное число параметров дает возможность ориентироваться лишь на ограниченное число значений ряда при составлении дальнейшего прогноза.
     Учитывая, что конструктивные модели вероятностных процессов и соответствующий математический аппарат достаточно хорошо разработан для анализа процессов, принадлежащих к классу стационарных, широкое применение получили модели так называемых нестационарных процессов, приводимых к стационарным. Такие процессы не являются стационарными в указанном выше смысле. Однако если рассматривать значения, на которые изменяются ряды через равные промежутки времени (приращения), то такие ряды могут рассматриваться как аналогичные им. Так, особое значение в этой статье уделено процессам, характеризуемым стационарными относительными приращениями. Отметим, что игнорирование нестационарности того или иного процесса, зачастую приводит к ложным выводам, что и будет проиллюстрировано ниже

Анализ возможности интерполяции траектории цен жилья с помощью полиномов высокого порядка

     Первоначальной  ступенью в регрессионном анализе данных является проверка их однородности. Так, обратившись к рисунку, иллюстрирующему общую траекторию цен в течение длительного периода нельзя не отметить присутствующих в нем структурных изменений. Ориентировочно до августа 2006 года образованный из последовательных удельных цен квартир временной ряд содержал в себе выраженный плавный тренд, отражающий в среднем монотонный рост стоимости жилья. Далее после резкого скачка цен в начале осени 2006 года характер тенденции полностью изменился: началось стремительное скачкообразное нарастание показателей с достижением пиковой точки максимального значения и последующим спадом. Графики (рис.3) иллюстрируют вывод о наличии двух существенно разных процессов, относящихся к двум последовательным периодам времени:
январь 1997 - июнь 2009 гг.
     январь 1997 - июль 2006 гг.      август 2006 - июнь 2009 гг.
     Рис. 3. Динамика стоимости вторичного жилья (долл./кв.м.) в Нижнем Новгороде 

     Таким образом, исследуемый временной ряд как бы содержит в себе две различные тенденции. На верхней части рис. 3, можно отметить, что линия тренда, представленного полиномом достаточно высокой степени, все же не может в полной мере аппроксимировать изменение показателя. В тоже время намного удачней выглядит ситуация на нижних рисунках: тот же самый тренд приближает две части исходного временного ряда (до августа 2006 года и после него) в значительно большей степени. Значения коэффициентов детерминации подтверждают сделанные выводы. Отсюда следует, что для построения модели, позволяющей приблизить траекторию изменения цен с помощью полинома, целесообразно анализировать данные части ряда по отдельности, характеризующие по существу разную динамику движения цен. Здесь следует сделать два следующих важных замечания.
     Хорошая интерполяция временного ряда с помощью  полинома высокого порядка, не отражающего  внутренние механизмы движения цен, отнюдь не гарантируют высокую точность прогноза дальнейшего поведения цен. Здесь следует обратить внимание на весьма распространенное заблуждение о том, что использование интерполяционной функции с высоким коэффициентом детерминации позволяет качественно спрогнозировать дальнейшую динамику ряда. Даже в случае наличия достаточно точной интерполяции временного ряда, дающей приближенные к единице значения коэффициента детерминации, не всегда возможно получить хороший результат в продолжении интерполирующей функции на прогнозный период. Более того, при высоких степенях полинома такой прогноз становится неустойчивым и, наоборот, приводит к большим ошибкам, чем модели более простой структуры (низкой размерности). Подробный анализ процедуры выбора модели для интерполяции функции, с помощью которой в данном случае следует описывать тренд, выполнен в статье [3]. Здесь лишь отметим, что для прогнозирования временных рядов на небольшие интервалы времени целесообразно использовать полиномы не выше второй степени.
     Разделение ряда на части приводит к уменьшению объема исследуемой выборки (внутри каждого отрезка), что отражается на снижении точности приближения и последующего прогноза. Такое разделение оправдано только в том случае, если можно выделить интервалы времени, внутри которых сохраняется единый механизм изменения цен. При этом есть основания утверждать, что этот механизм сохранится в обозримом будущем (на протяжении прогнозного периода).

Анализ  возможности прогнозирования  удельных цен квартир

     Любая модель строится при каких-либо предположениях относительно реального процесса. Как следствие, никакая модель не может являться абсолютно правильной и должна быть подвергнута диагностической проверке. С точки зрения статистических методов, существует ряд показателей, позволяющих в определенной мере оценить адекватность построенной модели. Каждый из них основан на анализе ошибки, получающейся вычислением разности между уровнями реального временного ряда и его значениями, вычисленными по исследуемой модели.
     Для того чтобы оценить качество метода прогнозирования с точки зрения погрешности результатов, рассмотрим результаты прогноза на период длительностью 1 год, используя в качестве базы прогноза данные об удельных ценах за предшествующий период, равный, в свою очередь, двум годам. Таким образом, прогнозирование осуществляется для 7 периодов, при этом имеется возможность сравнить результаты прогноза с фактическими данными, которые показывают, как развивался процесс на самом деле. 

     Прогнозные  базы и прогнозируемые периоды
Таблица 1
  База  прогноза Прогнозный  период
1 2000-2001 2002
2 2001-2002 2003
3 2002-2003 2004
4 2003-2004 2005
5 2004-2005 2006
6 2005-2006 2007
7 2006-2007 2008
 
     Результаты  прогнозирования по каждому из перечисленных  периодов приведены на графиках ниже.
1.
Прогнозирование рынка недвижимости на 2002 год на основе данных 2000-2001 гг.
2.
Прогнозирование рынка недвижимости на 2003 год на основе данных 2001-2002 гг.
     На протяжении 2000-2003 гг. рынок недвижимости плавно и равномерно набирал рост (см. Гл. 1), таким образом, тенденции его на данном промежутке времени (2000-2003 гг.) являлись весьма предсказуемыми.      Направление прогнозного тренда по анализируемым  данным идентично направлению динамики реальных показателей (линия после  отметки начала прогнозного интервала  на том или ином графике).
3.
     Прогнозирование рынка недвижимости на 2004 год на основе данных 2002-2003 гг.
     Уже с 2004 года поведение  динамики цен становится в некотором  смысле более спонтанным: она начинает стремительно набирать рост; при этом линия прогнозного тренда отклоняется в сторону меньшего наклона, однако, сохраняет основное направление тенденции достоверным.
4.
            Прогнозирование рынка недвижимости на 2005 год на основе данных 2003-2004 гг.
     Далее, с конца 2004-2005 гг. показатели цен замедляют движение вверх. И, несмотря на то, что снижение вобщем-то не является значительным, с точки зрения прогнозирования статистическими моделями данный факт, оказывается, не так-то просто выявить: ориентируясь на значения предыдущих уровней, можно получить завышенные прогнозные значения по трендовой модели.
5.
     Прогнозирование рынка недвижимости на 2006 год на основе данных 2004-2005 гг.
           Как уже было отмечено выше, рассматриваемый временной ряд не является однородным. Так, в августе 2006 года произошел резкий взлет цен на недвижимость, с этого же момента была отмечена радикальная смена тренда (см. Гл. 2. Анализ фактических данных). Тенденции реальных показателей и предсказанные значения уровней ряда по трендовой модели в этой ситуации, как и следовало ожидать, сильно расходятся.
6.
            Прогнозирование рынка недвижимости на 2007 год на основе данных 2005-2006 гг.
     Впрочем, период бурного  роста цен на недвижимость несколько  затянулся, дав тем самым надежду  некоторым образом прогнозировать дальнейшую ситуацию на рынке жилья. Однако стоит возникнуть каким-либо непредвиденным обстоятельствам, не имеющим связи с предыдущими устоявшимися тенденциями, как рынок вновь становится непредсказуем: прогнозы, основанные на значениях предыдущих уровней складывались в сторону дальнейшего роста цен на недвижимость, в реальности же ситуация сложилась кардинально другим образом, что нетрудно увидеть на приведенном ниже рисунке.
7.
            Прогнозирование рынка недвижимости на 2008 год на основе данных 2006-2007 гг.
Рис. 4. Прогнозирование рынка недвижимости 

     Таким образом, в периоды «спокойного» развития процессов на рынке недвижимости прогнозирование на небольшие периоды  времени на основе трендовых моделей  дает в целом неплохие результаты. Однако возможность непредвиденных кризисных состояний, нарушающих казалось бы установившиеся тенденции требует более тонкого анализа скрытых механизмов, управляющих динамикой цен на рынке недвижимости.

3. Прогнозирование стоимости недвижимости в период кризиса. Методы, основанные на статистическом подобии процессов.

     Развитие  российской экономической системы, как и других экономических систем, происходит циклами, что наглядно подтверждается теми кризисными явлениями, которые  происходили на ее «арене» с временным интервалом около 7-10 лет. Это и 1991 год, и дефолт 1998 года и текущая экономическая ситуация. Здесь не рассматриваются причины этой цикличности, хотя именно такой анализ позволил бы предсказывать появление кризисов до их зарождения и предсказывать общий ход развития экономики на долгие годы. Однако обратим внимание на то, что цикличность в развитии экономики и соответствующих процессов, происходящих внутри нее, дает основания для применения метода статистического подобия с целью проведения анализа и прогнозирования дальнейшего развития рынка недвижимости в период кризиса и непосредственно в посткризисный период. Общая методология статистического подобия применительно к исследованию сложных технических систем изложена в различных источниках и, в частности, в т.4 десятитомного справочника [16].

Сравнение поведения инвестиционных активов в периоды предыдущего и текущего кризисов

     Ограничимся анализом механизмов развития кризисных  явлений и анализом возможности  краткосрочного прогноза поведения ивестиционных инструментов в периоды кризисов. В качестве таких инструментов наибольшей популярностью в России пользуются акции, торгующиеся в РТС, и объекты недвижимости. К сожалению, мы не располагаем подробными данными по динамике фондового рынка и рынка недвижимости, относящимися к 1990-1991 гг. В связи с этим ограничимся сравнением динамики индекса РТС и динамики цен жилья в Нижнем Новгороде по временным интервалам, относящимся к кризисам 1998-1999 гг. и 2008-2009 гг.
     В соответствии с общей методологией теории подобия сравнение динамики индексов РТС, характеризующих процессы развития кризисного развития на фондовом рынке в течение двух различных периодов, осуществляется в безразмерных ценах. Чтобы увидеть, как менялись цены, совместим по временной шкале аналогичные «точки» кризиса (в данном случае они соответствуют пиковым моментам перед решающим снижением рыночной цены). В качестве таких точек принимаем: апрель 1998 года и май 2008 года. Значения индексов в эти моменты времени примем за единицу. Далее рассчитаем относительные значения средних цен в предшествующие и последующие периоды времени. Результаты обработки представлены на графике (рис. 5). Синий график показывает динамику индекса РТС в период прошлого кризиса. Красный иллюстрирует динамику развития процессов на фондовом рынке при  текущем кризисном развитии. 


Рис. 5. Сравнение кризисных периодов 1998-1999 гг. и 2008-2009 гг. по базовым индексам РТС 

     Приведенные графики демонстрируют подобие траекторий изменения значения индекса РТС, ассоциируемых с прошлым и текущим кризисом. При этом следует отметить, что кризис 2008 -2009 гг. выглядит более динамичным и характеризуется более активным выходом из кризиса. Если принять гипотезу о подобии процессов в прошлый и текущий кризис, то следует ожидать, что далее сохранится наметившийся в последние месяцы повышательный тренд, как это было в прошлый кризис. Другими словами относительно динамики индекса РТС можно считать, что он уже достиг своего минимального уровня, и значит дно кризиса осталось позади. При темпах, аналогичных прошедшему кризисному периоду, прирост должен составить вполне ощутимые показатели – 10-20% за ближайший квартал. Это утверждение, однако, нуждается в подтверждении дальнейшим поведением индекса.
     Таким же образом сравним траектории изменения  цен жилья в оба кризисных  периода. Чтобы увидеть, как менялись цены на жилье, совместим по временной шкале аналогичные «точки» кризиса. В качестве таких точек принимаем: август- месяц 1998 и сентябрь 2008 года. Значения средней цены 1 кв. м. жилья в эти моменты времени примем за единицу. Далее рассчитаем относительные значения средних цен в предшествующие и последующие периоды времени. Результаты обработки представлены на графике (рис. 6). Синий график показывает динамику средних цен в период прошлого кризиса в базисных индексах. Красный иллюстрирует процессы текущего кризисного развития. 

       

Рис. 6. Сравнение кризисных периодов 1998-1999 гг. и 2008-2009 гг. по базовым индексам рынка вторичного жилья Нижнего Новгорода (руб./кв.м.) 

     Из  сопоставления графиков видно, что траектории цен жилья в в течение обоих кризисов практически совпадают.  Как известно, в периоды, предшествующие кризисам, рынок недвижимости оказался явно «перегретым», тем самым создав предпосылки для неизбежного снижения цен. Далее, непосредственно перед «кризисной точкой» отмечено замедление роста цен и только через 3 -4 месяца после начала кризиса начали проявляться первые признаки снижения. В результате в течение 6 месяцев (с сентября по март цены на жилье в обоих случаях упали на 30-40%. Таким образом, динамика цен в периоды кризисов сохраняет статистическое подобие, характеризующее изменение цен жилья в периоды кризисов
     Что касается траектории изменения цен  на нефть, то здесь также наблюдается  подобие процессов, относящихся к периоду 1998-1999 гг. и периоду 2009-2009 гг., в чем можно убедиться из графика (рис. 7) [20]. Однако в этом случае подобие выражено в меньшей степени,  чем мы это наблюдали для цен недвижимости и индекса РТС.

Рис. 7. Сравнение кризисных периодов 1998-1999 гг. и 2008-2009 гг. по базовым индексам стоимости барреля нефти марки Urals (долл./барр.) 

     По-видимому, в этом случае также действуют рыночные механизмы, приводящие к статистическому подобию. Однако, чтобы сделать такой вывод, следует исследовать механизмы, относящиеся к процессам на мировых рынках.

Объяснение механизма, приводящего к  подобию. Прогноз цен на недвижимость на основе статистического подобия

     Общий характер тенденций развития кризисной  ситуации, как в том, так и в  другом случае, совпадающих с достаточно большой точностью, позволяет говорить об общих механизмах, характерных для этих процессов. Действительно, основные участники рынка в критических ситуациях ведут себя в среднем одинаково. Когда неожиданно обнаруживается, что количество платежеспособных покупателей уменьшилось и рынок переполняется предложениями квартир продавцы не торопятся сразу снижать цены. С другой стороны потенциальные покупатели останавливаются в ожидании, что цены скоро упадут и можно будет приобрести квартиры на более выгодных условиях. Поскольку в этот период никаких объективных событий, которые бы изменили ситуацию на рынке в пользу продавцов, не происходит, то дальнейшими процессами управляет коллективное поведение людей. Появляются продавцы, которые нуждаются в срочных деньгах, или просто хотят зафиксировать прибыль, поскольку они вкладывали деньги на выгодных условиях, и снижают цены продаж. Одновременно среди покупателей выделяются более нетерпеливые, которые нуждаются в быстром решении жилищных проблем, или спекулянты, ожидающие быстрой смены ценового тренда. Все это происходит на фоне уменьшения строительства новых объектов. Через некоторое время количество предложений на рынке снижается до уровня, когда покупатели начинают испытывать дефицит жилья, и ценовой тренд меняет знак. При этом обнаруживается, что строительные мощности уменьшились, в процессе строительства очень мало недвижимости и непрерывность процесса поступления квартир на рынок нарушается. Эти и другие причины толкают рынок вверх и цены переходят в режим быстрого роста. Таким образом, как только запускается механизм дестабилизации, рынком управляет поведенческий фактор («коллективная психология»), и рынок в новой ситуации ведет себя подобно тому, как он вел себя в прошлом. Такое объяснение соответствует поведенческой теории. Формализованное описание движения цен в период кризиса возможно, если предположить, что рынок недвижимости ведет себя как динамическая система. При этом значения базовых характеристик: средние доходы населения, условия ипотечного кредитования, наличие предназначенных для продажи объектов и т. д., является входом в динамическую систему. В качестве выхода выступают рыночные цены. В силу инерционности системы изменение входных параметров не оказывает немедленного влияния на выход, а вызывает некоторую запаздывающую реакцию. Такой эффект мы наблюдали в начале кризиса, когда он уже начал проявляться в снижении доходов населения, а цены оставались на старом уровне – продавцы квартир еще не были готовы к снижению цен и цены застыли на некоторое время в ожидании возвращения ситуации.
     Подобие процессов, характерное для параметров, формируемых на российских рынках инвестиций (цены недвижимости, индекс РТС), позволяет использовать методы и модели статистического подобия для прогнозирования соответствующих рынков в периоды кризисных ситуаций.
     Высокая степень совпадения между тенденциями двух временных интервалов, относящихся к кризисным периодам на рынке недвижимости Нижнего Новгорода 
1998-1999 гг. и 2008-2009 гг., и объяснение механизмов, приводящих к такому подобию, дает основание и некоторую уверенность предполагать, что дальнейшее поведение рынка вторичного жилья в текущей ситуации и в дальнейшем сохранит динамику, подобную предыдущему кризису. Поэтому, если исходить из того, что статистическое подобие процессов изменения цен в процессе развития кризиса и последующего выхода из него, сохранится на ближайший период, можно сделать некоторые предположения о дальнейшей динамике цен на вторичном рынке жилья Нижнего Новгорода.

     Прежде  всего, из сопоставления кризисных ситуаций в предположении аналогичного развития рынка недвижимости, можно ожидать, что цены текущего рынка жилья находятся в стадии завершения процесса снижения... После этого, как это следует из характера динамики относительных цен в период прошлого кризиса, должна наступить недолгая стабилизация цен на рынке недвижимости с последующим переходом к росту цен.
     Таким образом, если принять гипотезу о  подобии процессов, характерных  для циклически повторяющихся кризисных периодов, мы придем к заключению, что текущий кризис достиг низшей точки (дна) в своем развитии, и что в ближайшем будущем следует ожидать плавного перехода в стадию медленного роста ценовых показателей. 

     Естественно данное утверждение можно признать справедливым только при условии, что второй волны банковского кризиса не будет. Дело в том, что в отличии от предыдущего текущий кризис в недвижимости развивался на фоне  развивающейся в России ипотеки. До настоящего времени невыплаты по кредитам являлись незначительными и потому не оказывали заметного влияние на ход кризиса. Однако если эти невыплаты осенью этого года перейдут допустимые границы, и на рынок будет «выкинута» залоговая недвижимость по заниженным ценам, то дальнейшее развитие может пойти по иному сценарию. Таким образом, методы статистического подобия, основанные на фундаментальном предположении цикличности экономической системы, представляют собой удобный инструмент для прогнозирования цен на рынке недвижимости.

4. Прогнозирование, основанное на анализе зависимости цен недвижимости от различных факторов.

     С точки зрения принятия инвестиционных решений наиболее важной является задача  выявления предвестников, указывающих, что в обозримом периоде должна произойти смена тенденций. Обычно в качестве таких предвестников рассматриваются факторы, которые в той или иной степени влияют на процессы ценообразования на рынке недвижимости. Многие авторы в качестве таких факторов рассматривают денежные потоки, поступающие в Россию от экспорта нефти [17], [18] и др. И в этом есть своя логика, хотя, как будет показано ниже, прогнозирование на основе анализа цен на нефть не всегда столь эффективно, как это может показаться.
     Для того чтобы описать причинно-следственные связи и динамику развития процессов  во времени, порожденную этими связями, воспользуемся методами корреляционного и регрессионного анализа, позволяющих установить статистические зависимости между различными временными рядами.

Статистическая  зависимость и корреляции. Предварительные замечания

     Обнаружение и детальный анализ взаимосвязей между явлениями и показателями различной природы, описание их количественных и качественных характеристик, безусловно, представляет собой важнейшую составляющую любого исследования, в том числе, экономического. Рассмотрим вкратце теоретические основы корреляционного и регрессионного анализа [6]. С точки зрения процедуры обработки данных следует выделить два типа задач: исследование взаимозависимости между несколькими случайными рядами, либо изучение зависимости одного временного ряда (значений цен на рынке) от базовых величин, образующих временные ряды данных, например, изменяющиеся во времени значения средних доходов населения, величин валового продукта или условий ипотечного кредитования. Первый тип задач – установление взаимосвязи между временными рядами, опирается на корреляционный анализ. Во втором случае применяется аппарат множественной регрессии. С математической точки зрения в этих подходах много общего. Однако подмена одного метода другим может привести к ошибкам в интерпретации результатов.
     Взаимозависимость между двумя стационарными процессами, как правило, характеризуется коэффициентом корреляции, который определяется тем же образом, что и для двух случайных величин. Если есть основания ожидать запаздывания одного из процессов, корреляции рассчитывают для случайных величин, сдвинутых на фиксированный интервал времени или лаг. При этом величина корреляции может существенно изменяться в зависимости от лага, отражая реальные процессы запаздывания в динамической системе, под которой в данном случае понимается рынок.
     Таким образом, корреляционный анализ представляет собой полезный инструмент, в некоторой степени и при определенных условиях характеризующий взаимозависимость случайных величин. Однако следует также учитывать, что в общем случае анализ взаимосвязей между двумя временными рядами есть весьма сложная задача, не исчерпывающаяся расчетом одного лишь коэффициента корреляции и не позволяющая сделать достаточно надежные суждения относительно взаимосвязи двух или нескольких рядов. В связи с этим, коэффициент корреляции для двух рядов в общей ситуации, т.е. при отсутствии уверенности, что случайные величины описываются нормальным законом распределения, можно рассматривать скорее как индикатор наличия какой-либо взаимосвязи, чем как точную меру ее выражения.
     Прежде, чем перейти к обсуждению методов и непосредственно к анализу данных, следует сделать одно существенное замечание [6]: статистическая зависимость, какой бы сильной она не была, не может служить основанием для утверждения о наличии причинно-следственной связи. Данное утверждение лежит вне статистики. Оно может быть сделано лишь на основании содержательного анализа процессов, порождающих эти ряды. В связи с этим следует отметить, что использование методов корреляционно–регрессионного анализа
и т.д.................


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.