Мы все знаем, что «квартира — это локация, локация и ещё раз локация». Но как сильно? И что, кроме адреса, реально двигает цену? Я решила проверить это на данных, а заодно посмотреть, что говорят цифры про макроэкономику, метро и другие важные вещи.
Данные для анализа:
Я собрала данные из 5 исходных файлов (вторичный рынок, новостройки, аренда, цены по районам и станции метро), прогнала их через ClickHouse и dbt, а затем обучила модель машинного обучения. Получилось не только проверить гипотезы, но и сделать несколько неочевидных выводов.
Главный фактор — не просто «локация», а именно удалённость от центра
60.7% вариации цены за квадратный метр объясняется тем, насколько далеко квартира находится от Кремля. Это не просто «дороже в центре» — это устойчивая закономерность, которая прослеживается от Хамовников до спальных районов.
Разница между центральными и окраинными районами достигает 2–3 раз по цене за кв.м. Для инвестиционного анализа это означает: прежде чем смотреть на конкретные характеристики квартиры, нужно понять, где именно она находится на оси «центр — периферия».
Метро — это не просто удобство, а +20% к цене
Близость к метро оказалась вторым по важности фактором. Объекты в пешей доступности (до 5 минут) стоят в среднем на 18–24% дороже, чем аналогичные с метро дальше 15 минут ходьбы.
Лайфхак для себя и знакомых:
Я бы искала квартиры в 10–15 минутах от метро — они часто недооценены, а по факту почти такие же удобные, как и у самого выхода.
Ставка ЦБ влияет, но не так сильно, как кажется
Ключевая ставка ЦБ даёт 5.2% вклада в предсказание цены квартиры. Да, макроэкономика важна — но для конкретного объекта микролокация решает в десятки раз больше.
Вывод: снижение ставки смещает рынок в целом, но не меняет расстановку районов между собой. Тверской не догонит Свиблово по темпам роста только потому, что ипотека подешевела.
Вывод: снижение ставки смещает рынок в целом, но не меняет расстановку районов между собой. Тверской не догонит Свиблово по темпам роста только потому, что ипотека подешевела.
Ценовые сегменты: рынок сбалансирован
Я разделила все объявления на три равные группы по цене за кв.м (нижние 33%, средние 33%, верхние 33%). Распределение получилось почти равномерным:
- Нижний сегмент — 32.5%
- Средний сегмент — 32.3%
- Верхний сегмент — 35.2%
Это значит, что на рынке Москвы нет перекоса — представлены все категории. Но в каждом сегменте работают свои законы ценообразования.
Что с динамикой цен? Центр vs спальные районы
Новостройки стабильно дороже вторичного рынка. Разрыв в 2026 году составляет около 51 500 руб/кв.м (272 156 − 220 577).
Вторичный рынок вырос на 44.6% за 6 лет (с 152 522 до 220 577 руб/кв.м). Пик приходится на 2026 год (220 577 руб/кв.м).
Новостройки выросли на 21.4% за 5 лет (с 224 179 до 272 156 руб/кв.м). Пик новостроек пришёлся на 2025 год (273 638 руб/кв.м), после чего они немного снизились.
Данные за 2026 год неполные, поэтому выводы по нему требуют осторожности. Однако даже по неполным данным видно, что новостройки сохраняют ценовое преимущество перед вторичным рынком, а вторичка продолжает демонстрировать устойчивый рост.
Вторичный рынок вырос на 44.6% за 6 лет (с 152 522 до 220 577 руб/кв.м). Пик приходится на 2026 год (220 577 руб/кв.м).
Новостройки выросли на 21.4% за 5 лет (с 224 179 до 272 156 руб/кв.м). Пик новостроек пришёлся на 2025 год (273 638 руб/кв.м), после чего они немного снизились.
Данные за 2026 год неполные, поэтому выводы по нему требуют осторожности. Однако даже по неполным данным видно, что новостройки сохраняют ценовое преимущество перед вторичным рынком, а вторичка продолжает демонстрировать устойчивый рост.
Предложения: сколько квартир на рынке и как это менялось
Количество объявлений на вторичном рынке оставалось стабильным на протяжении 2020–2025 годов — на уровне 7 800–8 000 объявлений в год. На рынке новостроек — 1 450–1 550 объявлений в год.
По данным за первые 4 месяца 2026 года, можно предположить, что по итогам года количество объявлений на вторичном рынке составит около 7 800, а на рынке новостроек — около 1 370. Это сопоставимо с показателями предыдущих лет, что говорит о стабильности предложения.
Это означает, что предложение на рынке стабильно, без резких скачков. Такая ситуация создаёт предсказуемую среду как для покупателей, так и для продавцов.
По данным за первые 4 месяца 2026 года, можно предположить, что по итогам года количество объявлений на вторичном рынке составит около 7 800, а на рынке новостроек — около 1 370. Это сопоставимо с показателями предыдущих лет, что говорит о стабильности предложения.
Это означает, что предложение на рынке стабильно, без резких скачков. Такая ситуация создаёт предсказуемую среду как для покупателей, так и для продавцов.
Цена за кв.м в зависимости от комнатности
В датасете представлены квартиры с 1 по 5 комнат. Студии как отдельная категория отсутствуют.
Ключевое наблюдение: разница в цене за кв.м между разными комнатностями на вторичном рынке минимальна — все форматы держатся в близком диапазоне. На новостройках цена за кв.м несколько выше, но тоже без сильной зависимости от количества комнат.
Это означает, что комнатность сама по себе почти не влияет на цену за кв.м — гораздо важнее район и близость к метро. Разница в бюджете между однушкой и трёшкой — это прежде всего разница в площади, а не в цене квадрата.
Ключевое наблюдение: разница в цене за кв.м между разными комнатностями на вторичном рынке минимальна — все форматы держатся в близком диапазоне. На новостройках цена за кв.м несколько выше, но тоже без сильной зависимости от количества комнат.
Это означает, что комнатность сама по себе почти не влияет на цену за кв.м — гораздо важнее район и близость к метро. Разница в бюджете между однушкой и трёшкой — это прежде всего разница в площади, а не в цене квадрата.
Сезонность: есть ли смысл выжидать?
Сезонные колебания цен на вторичном рынке минимальны — разница между самым дорогим и самым дешёвым месяцем составляет всего 3.2%. На рынке новостроек разброс заметнее — 10.5%. Однако сезонный фактор вряд ли стоит рассматривать как ключевой при принятии решения о покупке: изменение макроэкономической ситуации или локальных рыночных условий может перекрыть этот эффект.
Топ-10 районов по медианной цене за кв.м
Тип дома и ремонт — второстепенные, но заметные факторы
Среди типов домов самыми дорогими оказались сталинки. Монолит и кирпич формируют «золотую середину». Самый бюджетный вариант — хрущёвки.
Ремонт даёт ещё более выраженную дифференциацию. Дизайнерский ремонт поднимает цену значительно выше — это на 50% дороже квартир без ремонта. Евроремонт и косметический занимают промежуточные позиции.
Ремонт даёт ещё более выраженную дифференциацию. Дизайнерский ремонт поднимает цену значительно выше — это на 50% дороже квартир без ремонта. Евроремонт и косметический занимают промежуточные позиции.
ML-модель: можно ли предсказать цену квартиры?
Я обучила модель Random Forest, которая предсказывает цену за квадратный метр. Ошибка модели — около 30 000 руб/кв.м. Для квартиры с ценой 400 000 руб/кв.м прогноз будет в диапазоне 370 000–430 000 руб/кв.м. Этого достаточно, чтобы проверить, не завышена ли цена, или сделать первичную оценку объекта.
Модель подтвердила: главное — это локация. Удалённость от центра даёт 60.7% вклада в цену. Район — 9.6%, доступность метро — 8.6%, расстояние до метро — 5.7%, ставка ЦБ — 5.2%. Всё остальное — технические характеристики, ремонт, тип дома — влияют меньше.
Модель подтвердила: главное — это локация. Удалённость от центра даёт 60.7% вклада в цену. Район — 9.6%, доступность метро — 8.6%, расстояние до метро — 5.7%, ставка ЦБ — 5.2%. Всё остальное — технические характеристики, ремонт, тип дома — влияют меньше.
Кому это точно пригодится
- Руководителям, которые управляют бюджетом на маркетинг или продажи
- Маркетологам, которые хотят лучше понимать аудиторию
- Всем, кто планирует покупку или продажу квартиры и хочет опираться на данные
Техническая часть
Если вам интересно, как именно мы это сделали:
Смотреть техническую реализацию (код, архитектура, SQL):
https://serdyukov.in/tpost/ocau6mnrn1-elt-paiplain-na-dbt-clickhouse-dlya-anal
👉 Подробный технический разбор с кодом — в GitHub-репозитории.
- Стек: ClickHouse, dbt, Python, scikit-learn
- Данные: 78 000 объявлений из открытых источников
- Результат: модель предсказывает цену с ошибкой ~30 000 руб/кв.м
Смотреть техническую реализацию (код, архитектура, SQL):
https://serdyukov.in/tpost/ocau6mnrn1-elt-paiplain-na-dbt-clickhouse-dlya-anal
👉 Подробный технический разбор с кодом — в GitHub-репозитории.
Вместо заключения
Цифры говорят громче слов. Я посмотрела на рынок недвижимости Москвы через данные, и он оказался более предсказуемым, чем кажется. Локация решает почти всё, но не всё. А главное — теперь у меня есть инструмент, который позволяет использовать эти данные на практике.