Details

Предмет: статистические связи между стоимостью жилья и региональными, финансовыми, ипотечными, строительными, демографическими и объектными характеристиками. Цель: смоделировать стоимость жилой недвижимости на региональном и объектном уровнях и выявить факторы, статистически связанные с ее формированием. Методы: описательный статистический анализ, построение индекса финансового стресса приобретения недвижимости (HFSI), панельное эконометрическое моделирование, кластерный анализ (K-means), прогнозирование (CatBoost), SHAP-интерпретация моделей машинного обучения, гедоническое моделирование цен недвижимости, методы машинного обучения для анализа объявлений о продаже жилья. Инструменты: Python (pandas, NumPy, statsmodels, scikit-learn, CatBoost, SHAP, matplotlib, seaborn). Основные результаты: на основе региональной панели субъектов РФ за 2018–2025 гг. выявлены статистически значимые факторы динамики цен на жилую недвижимость (экономическое развитие регионов, строительная активность, рынок труда, демографические характеристики и ипотечные условия). Разработан индекс финансового стресса приобретения недвижимости (HFSI), для оценки нагрузки покупки жилья домохозяйствами. Построена прогнозная модель динамики цен на основе региональных факторов. Построена прогнозная модель, для проверки возможности прогнозирования динамики цен на основе ретроспективных региональных факторов. На основе анализа объявлений о продаже квартир в Санкт-Петербурге определены ключевые характеристики объектов недвижимости, связанные с уровнем цены предложения, а также проведена интерпретация факторов ценообразования с использованием SHAP-анализа.

Subject of the study: statistical relationships between housing prices and regional, financial, mortgage, construction, demographic, and property-specific characteristics. Purpose of the study: to model residential real estate prices at both the regional and property levels and to identify factors statistically associated with their formation. Methods: descriptive statistical analysis, development of the Housing Financial Stress Index (HFSI), fixed-effects panel econometric modeling, K-means cluster analysis, forecasting using the CatBoost algorithm, SHAP-based interpretation of machine learning models, hedonic price modeling, and machine learning methods for the analysis of housing listings. Software and tools: Python (pandas, NumPy, statsmodels, scikit-learn, CatBoost, SHAP, matplotlib, seaborn). Main Results: Based on a regional panel dataset covering Russian regions from 2018 to 2025, statistically significant factors influencing residential real estate price dynamics were identified, including regional economic development, construction activity, labor market conditions, demographic characteristics, and mortgage lending conditions. A Housing Financial Stress Index (HFSI) was developed to assess the burden of housing purchases on households. A forecasting model of housing price dynamics based on regional factors was constructed and demonstrated the feasibility of predicting price movements using historical regional data. Based on the analysis of apartment sale listings in Saint Petersburg, the key property characteristics associated with asking prices were identified, and the main pricing factors were interpreted using SHAP analysis.