Статьи
Анализ рынка жилой недвижимости Саратова
Динамика цен предложения 1 квадратного метра жилья на вторичном рынке в 2024-2026 гг.
Именно поэтому по инициативе сопредседателя комитета ТПП Саратовской области по предпринимательству в сфере экономики недвижимости Виталия Смолякова проводится масштабное исследование вторичного рынка жилья Саратова с использованием методов машинного обучения и включает в себя динамику цен предложения за квадратный метр на вторичном рынке, влияние на стоимость качества отделки, года постройки дома и других факторов. К работе также привлечены магистранты механико-математического факультета СГУ, что позволяет совмещать отраслевую экспертизу с передовыми цифровыми инструментами.
В рамках исследования получена работающая прогностическая модель, которая учитывает уникальные характеристики микрорайонов, транспортную доступность, состояние домов и даже скрытые зависимости, невидимые при традиционном анализе.
Ниже представлена динамика цен предложения за квадратный метр на вторичном рынке в разрезе комнатности за последние два года. Данные будут полезны не только профессиональным участникам рынка (риелторам, оценщикам, девелоперам), но и всем саратовцам, планирующим покупку или продажу жилья.
Рынок недвижимости в каждом городе имеет свои особенности – локальные тренды. Модель, обученная именно на данных Саратова, с учётом микрорайонов, плотности застройки, дорог и прочего, способна учитывать эти нюансы лучше, чем универсальная модель для разных агломераций. Необходимость использования методов машинного обучения обусловлена сложностью и нелинейностью факторов как внутренних, присущих индивидуально каждому объекту – смежность и изолированность комнат, качество внутренней отделки, этаж, вид из окон и т.п., так и внешних – функциональные зоны застройки, транспортная доступность, расстояние до центра города, местной школы, социальных объектов, зеленых зон, благоустроенных пространств и мест приложения труда. Традиционные методы прогнозирования могут не уловить все эти скрытые зависимости. Машинное обучение хорошо справляется с поиском таких закономерностей в исторических данных.
Исходными данными для построения модели машинного обучения являются наборы (датасеты) из:
- 21 298 объявлений о продаже квартир на открытых порталах Циан и Авито с 3 квартала 2024 года по 2 квартал 2026 года;
- более 6 900 записей о многоквартирных домах (МКД) открытого портала Фонда Развития Территорий;
- более 7 000 записей о многоквартирных домах тура оценки 2023 года ГБУ Саратовской области «Центр государственной кадастровой оценки»;
- наборы геоданных о дорогах Саратова для моделирования транспортных потоков;
- наборы геоданных о микрорайонах Саратова, типовой застройке зон города, объектах инфраструктуры.
Каждому многоквартирному дому были установлены координаты и статус (строится, исправный, аварийный, снесен), в итоге получилось 6 665 актуальных многоквартирных домов. Каждое объявление было «привязано» к многоквартирному дому, за счет чего устранены ошибки авторов об этажности, материале стен, годах постройки, адресе и т.п.
В большинстве объявлений было много полей с пустыми (пропущенными) данными. Для их заполнения был использован процесс обработки естественного языка (NLP – Natural Language Processing), позволяющий находить и заполнять пропущенные данные из текстового описания объявления.
Оставшиеся пропуски заполняются с помощью алгоритма NoNa (авторский продукт открытого кода, Тимур Абдуалимов, 2023 г.). Его идея в том, чтобы для каждого столбца (атрибута) с пропусками построить модель, которая предскажет недостающие значения, опираясь на другие столбцы (атрибуты).
Полученные данные были очищены от «выбросов» по цене объявления (свыше 50 000 000 руб.; удалено 13 объявлений, что составляло меньше 0,07% выборки) и цене за один квадратный метр (свыше 400 000 руб.; удалено 1 объявление, что составляло меньше 0,005% выборки), удалены предложения в форме аукциона и долей от целых квартир. Также были удалены все объявления в МКД, не сданных в эксплуатацию на момент публикации объявления (не получившие разрешение на ввод в эксплуатацию).
Для расчёта маршрутных расстояний между МКД и центром Саратова (Театральная площадь), между МКД и закреплённой школой был построен взвешенный ориентированный граф, узлами которого являлись точки (координаты) дорог, а рёбрами – время перехода из одной точки в другую. Это время было скорректировано в соответствии с дорожно-транспортной ситуацией, соответствующей 5-балльным пробкам на Яндекс Картах.
Было проведено обучение следующих моделей:
- линейная регрессия;
- стохастический градиентный спуск (SGD – Stochastic Gradient Descent);
- метод частичных наименьших квадратов (PLS – Partial least squares regression);
- полиномиальная регрессия 2 и 3 степени;
- решающее дерево (дерево решений – Decision Tree);
- рандомный лес (Random Forest);
- градиентный бустинг на основе деревьев решений (GBDT – Gradient Boosting on Decision Trees);
- классическая нейронная сеть;
- сеть Калмагорова-Арнольда (KAN – Kolmogorov-Arnold Networks).
Для каждой модели был совершён подбор наилучших параметров. По результатам обучения на 90% всех данных наилучшее прогнозирование (на основании критерия RMSE и коэффициент детерминации) на отложенной тестовой выборке, включавшей 10% наблюдений, показала модель градиентного бустинга на основе деревьев решений (GBDT). Это метод машинного обучения, который последовательно создаёт ансамбль (набор) прогностических моделей (деревьев решений) и комбинирует их в единую сильную модель. Каждая новая модель в ансамбле стремится исправить ошибки, допущенные предыдущими моделями, путём минимизации функции потерь с помощью градиентного спуска.
Полученные результаты исследования и моделирования позволяют представить данные в различных формах, соответствующих запросам покупателей, продавцов и инвесторов недвижимости, агентов по недвижимости, оценщиков, органов власти, девелоперов и застройщиков, флипперов, хоумстейджеров и других участников рынка недвижимости для быстрого предварительного анализа рынка, выявления аномалий или оценки инвестиционной привлекательности объектов, комплексного развития территории города Саратова. Первая презентация результатов исследования была представлена 5 июня 2026 года на Треке «Недвижимость» Форума Технологического предпринимательства ТПП Саратовской области, проходившего в Технопарке «Саратов-Диджитал».
Говоря о динамике – за два года, с 3 квартала 2024-го по 2 квартал 2026-го, вторичное жильё Саратова демонстрировало общую восходящую динамику цен предложения. Однако, необходимо отметить, что динамика была неоднородной: сначала плавный рост, затем летом 2025 года — коррекция и затишье, а с осени того же года — резкий скачок. Однако к весне 2026 года темпы роста снизились.
За рассматриваемый период в пересчёте на квадратный метр отмечен самый высокий рост запрашиваемых продавцами цен на квартиры свободной планировки, а также двух- и трёхкомнатные. Четырёхкомнатные показали самый слабый рост — менее 10 тыс. руб. Сегмент с пятью и более комнатами оказался крайне нестабильным: после скачка до 126 тыс. руб./кв. м в начале 2026 года медиана резко упала до 105 тыс. уже через квартал. Из-за малого числа объявлений эти колебания ненадёжны, и эту категорию стоит рассматривать отдельно.
Авторы:
Виталий Смоляков – сопредседатель Комитета ТПП Саратовской области по предпринимательству в сфере экономики недвижимости;
Инна Трибис и Максим Володин – магистранты механико-математического факультета Саратовского Государственного Университета.
Партнерский материал
