DOI: http://doi.org/10.15350/2409-7616.2020.4.15

Бурков Алексей Владимирович — доктор экономических наук, профессор кафедры «Прикладной статистики и информатики», ФГБОУ ВО «Марийский государственный университет», Йошкар-Ола, Россия, ORCID: https://orcid.org/0000-0003-3188-2862, E-mail: alexey.burkov@gmail.com

Пшеничнов Руслан Владимирович —аспирант, ФГБОУ ВО «Марийский государственный университет», Йошкар-Ола, Россия, E-mail: psheni4nov@yandex.ru

Аннотация. В статье рассматривается применение метода множественной регрессии для моделирования конвертации ипотечных заявок в типологических группах.  Определение типологических групп основано на различных фазах активности рынка ипотечного кредитования и разных условиях предоставления кредита. В качестве информационной базы исследования использовалась открытая информация ПАО «Сбербанк». Представленная методика позволит произвести оценку количества принятых ипотечных заявок в зависимости от различных параметров рынка ипотечного кредитования. В качестве факторов влияющих на количества принятых ипотечных заявок были рассмотрены такие характеристики рынка как: число принятых заявок, курс доллара, средневзвешенная процентная ставка и средняя цена за квадратный метр. В работе рассмотрено несколько регрессионных моделей, на разных этапах одобрения заявок и при разной активности рынка. В данной работе рассматриваются следующие виды многомерных линейных моделей: модель прямой отбор значимых факторов и модель с применением метода гребневой регрессии. Далее был проведен анализ, качества полученных моделей, и отобраны наиболее приемлемые модели для каждой из групп. В качестве критериев оценки качества, полученных моделей использовались коэффициенты Дарбина-Уотсона, гистограммы распределения остатков, диаграммы рассеяния и средние ошибки аппроксимации. Для сравнения качества построенных моделей, также, были построены сравнительные диаграммы коэффициентов детерминации и средней ошибки аппроксимации. В заключении работы было проведено сравнение используемых методов анализа с представленной в статье методикой и доказана ее эффективность. Так как, представленная методика позволит спрогнозировать нагрузку на менеджеров по ипотечному кредитованию и оптимизировать планирование ипотечной деятельности.

Ключевые слова:рынок ипотечного кредитования, регрессионный анализ, анализ в кластерах, линейная регрессия, гребневая регрессия, активность ипотечного рынка, этап действия отлагательного условия, конвертация ипотечных заявок, ПАО Сбербанк.

Литература:

1. Кокин А.С., Осколков И.М., Трофимова Д.С., Ситников Р.Р. Анализ современного состояния рынка ипотечного жилищного кредитования в России // Экономика: вчера, сегодня, завтра. – 2018. – № 5А (8). – С. 127-142. URL: https://elibrary.ru/item.asp?id=37056592.
2. Савосина Д.А. Развитие рынка ипотечного кредитования в России / Сборник Фундаментальные и прикладные исследования в науке и образовании. сборник статей Международной научно-практической конференции. -Уфа: Аэтерна, 2020. – С. 100-103. URL: https://elibrary.ru/item.asp?id=41880513
3. Синиченко О.А. Особенности льготного ипотечного кредитования в России // Вектор экономики. – 2020. – № 9 (51). – С. 22. URL: https://elibrary.ru/item.asp?id=44044878
4. Шумейко А.А. Статистический анализ развития ипотечного кредитования в России // Актуальные вопросы экономики и управления: материалы V Mеждунар. науч. конф. — М.: Издательский дом «Буки-Веди», 2017. – С. 68-73. URL: https://elibrary.ru/item.asp?id=29420114
5. Егорова А.А., Акимова Е.М. Анализ ситуации на рынке ипотечного кредитования в России // Экономика и предпринимательство. – 2018. – № 12 (101). – С. 1087-1091. URL: https://elibrary.ru/item.asp?id=36722289.
6. Домащенко Д.В., Щеголев А.С. Показатели банковской деятельности — опережающие индикаторы социально-экономического развития регионов (на примере Центрального Федерального Округа) // Федерализм. – 2019. – № 2 (94). – С. 138-155. URL: https://elibrary.ru/item.asp?id=38576129.
7. Wang, Z., Crook, J., & Andreeva, G. Reducing estimation risk using a bayesian posterior distribution approach: Application to stress testing mortgage loan default // European Journal of Operational Research. — 2020. — № 287(2). — P. 725-738. DOI: https://doi.org/10.1016/j.ejor.2020.04.020
8. Sirignano, J., & Giesecke, K. Risk analysis for large pools of loans // Management Science. — 2019. — № 65(1). — P. 107-121. DOI: https://doi.org/10.1287/mnsc.2017.2947
9. Айдамирова Л.Д. Особенности и проблемы ипотечного кредитования в России // Бюллетень науки и практики. – 2020. – № 6. – С. 413-419. DOI: https://doi.org/10.33619/2414-2948/54/55
10. Картвелишвили В.М., Николаева А.В. Рынок секьюритизации ипотечного кредитования // Вестник Российского экономического университета им. Г.В. Плеханова. – 2016. – № 2 (86). – С. 122-129. URL: https://elibrary.ru/item.asp?id=25896417
11. Файзуллин И.Э., Салахова А.Р. Ипотечное кредитование в условиях кризиса // Российское предпринимательство. – 2009. – № 5-1. –– С. 99-102. URL: https://elibrary.ru/item.asp?id=29736472
12. Орлова И.В., Турундаевский В.Б. Краткосрочное прогнозирование ипотечного кредитования // Статистика и экономика. – 2013. – № 6. – С. 175-177. URL: https://elibrary.ru/item.asp?id=20902438
13. Орлова И.В. Эконометрическое моделирование последствий экономического кризиса 2008-2009 годов на темпы роста ВВП в различных странах // Фундаментальные исследования. — 2020. – № 4. – С. 62-69. URL: https://elibrary.ru/item.asp?id=42831246
14. Бабешко Л.О., Орлова И.В. Инструментарий современного эконометрического моделирования. – М.: Центркаталог, 2020. – 336 с.URL: https://elibrary.ru/item.asp?id=42923596
15. Бабешко Л.О. Эконометрическое прогнозирование по разнородной информации. – М.: Вега-Инфо, 2016. – 232 с. URL: https://elibrary.ru/item.asp?id=26880196

Библиографическая ссылка:

Бурков А.А., Пшеничников Р.В. Моделирование конвертации ипотечных заявок методом множественной регрессии в типологических группах // ЦИТИСЭ. — 2020. — № 4. – С.162-177. DOI:http://doi.org/10.15350/2409-7616.2020.4.15