Анализ рынка жилой недвижимости

Таким образом, динамика изменения стоимости квадратного метра жилья повторяет динамику изменения условной единицы «НефтеБакс», но с некоторой задержкой (рис. 20).

Рис. 20 Динамика средней стоимости 1 квадратного метра жилья на первичном рынке (руб./кв.м) и условной единицы «НефтеБакс» (руб./баррель)



Глава 3. Построение модели для прогноза стоимости квадратного метра на первичном и вторичном рынке жилой недвижимости г. Нижнего Новгорода.

На сегодняшний день эксперты всего мира единогласно уверены, что рынки недвижимости являются частью глобального финансового рынка и нуждаются в разработке и внедрении методологии научного прогнозирования. Следует заметить, что любая будущая ситуация является весьма неопределенной, поэтому не существует способов, позволяющих точно «предугадать» ее развитие. Тем не менее известно множество приемов и методов, позволяющих обнаружить тенденции, логику развития тех или иных процессов и на основе сопоставления с прошлыми данными предсказать наиболее вероятное развитие событий.

Первые расчетные прогнозы (среднесрочные - на 1-3 года) появились уже в 1995 году [25-27], но при создании и совершенствовании методов прогнозирования можно столкнуться с существенными трудностями:

1. Неприспособленность сложившихся в плановой экономике методов народно-хозяйственного прогнозирования на основе отраслевых балансов к прогнозированию в условиях рыночной экономики.

Примером такой неприспособленности являются многочисленные попытки прогнозирования развития строительного комплекса как отрасли народного хозяйства в отрыве от макросистемы - рынка недвижимости, включающей этот комплекс в качестве производственной подсистемы наряду с подсистемой финансирования оборота недвижимости из доходов и накоплений граждан, ипотечного кредитования и других источников.

2) Неприспособленность стандартных эконометрических методов к прогнозированию тенденций рынка недвижимости в современных условиях.

Из-за высокой волатильности динамики цен на развивающемся рынке жилья применение стандартных эконометрических методов регрессионного моделирования и прогнозирования ценовых трендов, прекрасно работающих в области монотонного изменения динамики, возможно лишь в краткосрочном периоде (8-18 месяцев), и это сопряжено с риском непредсказуемой ошибки вследствие возможного перелома тенденций в среднесрочном периоде.

3) Непригодность методов, разработанных в странах с развитой рыночной экономикой, к прогнозированию в странах с переходной экономикой.

4) Информационная закрытость рынка недвижимости России.

В отличие от развитых рынков, где давно сложились лицензированные государством статистические бюро, обеспечивающие специалистов полной и достоверной информацией о показателях рынка недвижимости, в России за 20 лет продвижения к нормальной открытой статистике все еще далеко от завершения. Использование подобных структур в российских условиях затруднено как в силу их отсутствия, так и в силу информационной закрытости отечественного рынка, высокой доли ценовых искажений, «серого» оборота, теневых (незарегистрированных) сделок и др. Механизмы сбора данных через местные органы планирования разрушились, а статистическая отчетность частных строительных компаний, аккумулируемая местными статорганами, в значительной степени искажает информацию. Своевременная регистрация договоров долевого участия до настоящего времени полностью не налажена (застройщики задерживают регистрацию), поэтому публикуемые регистрирующими органами данные по этой и иным причинам (например, не регистрируются сделки с квартирами ЖСК) далеки от объективных.

Местные органы управления не создали реестры строящегося жилья и не владеют первичными данными. Другая часть показателей, касающаяся цен на первичном и вторичном рынке, оборотов вторичного рынка, долгое время была Росстату недоступна, и лишь в последние 10 лет был налажен сбор этих данных по специфической методике, аналогичной методике сбора данных на рынках товаров и услуг (что приемлемо при подсчете потребительской инфляции, но не всегда приемлемо на рынке недвижимости). Поэтому и сегодня большинство специалистов не доверяют данным Росстата, тем более что доступ к ним (особенно в разрезе городов/муниципальных образований) затруднен, а в большинстве регионов эти данные вообще не публикуются.

5) Недостаточная изученность закономерностей развития рынков недвижимости.

Также следует отметить, что никакие прогнозы не включают в себя оценку вероятности системного кризиса отрасли.

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 Новгородаю 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 первой и второй главах текущей работы били представлены динамические ряды ряда показателей, которые имеют отношение к рынку жилой недвижимости.

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.

Использование динамического ряда данных уровня цен возможно для построения статистической модели процесса с использованием трендового прогнозирования. Однако, применение статистического метода эффективно в стационарных процессах с монотонной динамикой, и при этом уравнения трендов, обеспечивая малую погрешность прогноза, не исключают высокую вероятность ошибки в случае перелома тенденции.

Трендовый прогноз является наиболее простым с точки зрения его выполнения, так как любые серьезные сдвиги не отображаются в прогнозе. Линия тренда показывает только общую направленность рынка, не учитывая при этом факторы, которые могут повлиять на него.

В работе исследовались различные линии тренда, а именно линейная, логарифмическая, степенная, экспоненциальная, которые представлены на графиках ниже.

Рис.21 Динамика стоимости квадратного метра жилой недвижимости на первичном рынке и линейный тренд с прогнозом на 2016 год поквартально, руб.



Рис.22 Динамика стоимости квадратного метра жилой недвижимости на первичном рынке и логарифмический тренд с прогнозом на 2016 год поквартально, руб.

Рис.23 Динамика стоимости квадратного метра жилой недвижимости на первичном рынке и экспоненциальный тренд с прогнозом на 2016 год поквартально, руб.

Рис.24 Динамика стоимости квадратного метра жилой недвижимости на первичном рынке и степенной тренд с прогнозом на 2016 год поквартально, руб.



Рис.25 Динамика стоимости квадратного метра жилой недвижимости на вторичном рынке и линейный тренд с прогнозом на 2016 год поквартально, руб.

Рис.26 Динамика стоимости квадратного метра жилой недвижимости на вторичном рынке и логарифмический тренд с прогнозом на 2016 год поквартально, руб.

Рис.27 Динамика стоимости квадратного метра жилой недвижимости на вторичном рынке и экспоненциальный тренд с прогнозом на 2016 год поквартально, руб.



Рис.28 Динамика стоимости квадратного метра жилой недвижимости на вторичном рынке и степенной тренд с прогнозом на 2016 год поквартально, руб.

Приведем сравнительную таблицу всех уравнений линий тренда по коэффициенту детерминации.

Таблица 3. Сравнительная таблица по данным линиям тренда

Тип линии тренда	RІ	Уравнение линии тренда
	Первичный рынок	Вторичный рынок	Первичный рынок	Вторичный рынок
линейная	0,7918	0,7753	f(x) = 967,2412118409x + 20847,5300647549	f(x) = 1096,5694958372x + 22899,9491211841
логарифмическая	0,8084	0,8014	f(x) = 15142,185200433ln(x) - 12,9821722951	f(x) = 17273,8710843ln(x) - 1061,3743578198
экспоненциальная	0,7202	0,7045	f(x) = 21473,352257683 exp (0,0267392334x)	f(x) = 23315,4267149893 exp (0,0276637871x)
степенная	0,8454	0,8327	f(x) = 11046,4348070525x ^ 0,448843336	f(x) = 11665,6953595287x ^ 0,466003149

Из таблицы видно, что среди моделей с двумя параметрами выигрывает степенная модель с критериальными значениями 0,8454 для первичного рынка жилья и 0,8327 для вторичного рынка жилья.

Все линии тренда показывают дальнейший рост цен на рынке жилья, но как видно из графика вторичного рынка жилья стоимость квадратного метра за 2015 г. снижалась. Анализ временного ряда не подразумевает учет факторов, которые могут указать на изменение тенденций. Таким образом, необходимо рассмотреть иные математические модели, которые предусматривают наличие иных факторов, влияющих на стоимость жилья.

При принятии инвестиционных решений очень важно выявить факторы, указывающие, что в предстоящем периоде должна произойти смена тенденций. В качестве таких факторов некоторые авторы рассматривают денежные потоки, поступающие в Россию от экспорта нефти [28] и др. Для того чтобы описать причинно-следственные связи и динамику развития процессов во времени, вызванную этими связями, воспользуемся методами корреляционного и регрессионного анализа, что позволит установить статистические зависимости между различными временными рядами.

На сегодняшний день внимание многих отечественных экономистов в значительной степени привлекают к себе динамики цен на нефть и недвижимость. Это связано с тем, что именно нефть, как преобладающий экспортируемый товар, и недвижимость, как наиболее важная характеристика платежеспособности, являются основными показателями стабильного состояния российской экономики.

В главе 2 были приведены графики динамики курса доллара и стоимости барреля нефти Brent (ICE.Brent), также приведен график поведения цен на жилье на фоне меняющейся условной единицы «НефтеБакс», которая представляет собой стоимость барреля нефти в рублях.

Формальным подтверждением взаимосвязи между ценами на недвижимость и нефть может служить высокий коэффициент корреляции. Учитывая, что реакция рынка на изменения доходов, поступающих от экспорта нефти, проявляется не сразу, а по истечении некоторого периода времени, следует ввести некоторое запаздывание цен на квартиры по отношению к ценам нефти. Такое запаздывание по разным оценкам составляет порядка 3 месяцев. Так как данные цен представлены поквартально, в данной работе учитывается лаг 3 месяца или 1 квартал.



Рис. 29. Зависимость цены на первичном рынке недвижимости в г. Нижнем Новгороде от условной единицы «НефтеБакс» (с лагом 1 квартал).

Получена статистическая связь между уровнем цен на нефть в рублях и квартальным темпом роста цен на квартиры в Нижнем Новгороде на первичном рынке жилой недвижимости (рис. 29). Эта связь описывается линейным уравнением с удовлетворительным коэффициентом корреляции и лагом 3 месяца (1 квартал), определяемым средним сроком возврата экспортной выручки в Россию:

Дyi = 0,04583x(i-1)+ 528,0271

где Дyi - квартальный прирост цен на жилье, руб.;

x (i-1) - уровень цен НефтеБакса с лагом 1 квартал, руб./баррель.

Полученная параметрическая зависимость позволит осуществлять краткосрочное (на 3-6 месяцев) прогнозирование динамики цен на жилье в Нижнем Новгороде.

Причинами в данном случае расхождения прогнозируемых цен на жилье могут стать неоправданные прогнозы динамики цен на нефть и курса доллара.

Далее представлены параметры уравнения регрессии.

Среднеквадратическое отклонение



Коэффициент корреляции

Ковариация.

Рассчитываем показатель тесноты связи.

В нашем примере связь между признаком Y фактором X высокая и прямая.

Значимость коэффициента корреляции.

Выдвигаем гипотезы:

H0: rxy = 0, нет линейной взаимосвязи между переменными;

H1: rxy ? 0, есть линейная взаимосвязь между переменными;

Вычислим наблюдаемое значение критерия (величина случайной ошибки).

По таблице Стьюдента с уровнем значимости б=0.05 и степенями свободы k=46 находим tкрит:

tкрит (n-m-1;б/2) = (46;0.025) = 2.009



где m = 1 - количество объясняющих переменных.

Поскольку |tнабл| > tкрит, то отклоняем гипотезу о равенстве 0 коэффициента корреляции. Другими словами, коэффициент корреляции статистически - значим

Отметим значения на числовой оси.

Принятие Н0	Отклонение Н0 Принятие Н1
95%	5%
2.009	9.16

Доверительный интервал для коэффициента корреляции.

r(0.627;0.98)

Коэффициент детерминации.

R2= 0.8042 = 0.6458

т.е. в 64.58 % случаев изменения х приводят к изменению y. Другими словами - точность подбора уравнения регрессии - средняя. Остальные 35.42 % изменения Y объясняются факторами, не учтенными в модели (а также ошибками спецификации).

F-статистика. Критерий Фишера.

Выдвинем нулевую гипотезу о том, что уравнение в целом статистически незначимо: H0: R2=0 на уровне значимости б.

Определим фактическое значение F-критерия:



Табличное значение критерия со степенями свободы k1=1 и k2=46, Fтабл = 4

Отметим значения на числовой оси.

Принятие Н0	Отклонение Н0 Принятие Н1
95%	5%
4	83.86

Поскольку фактическое значение F > Fтабл, то коэффициент детерминации статистически значим (найденная оценка уравнения регрессии статистически надежна).

Оценка параметров уравнения регрессии.

Анализ точности определения оценок коэффициентов регрессии.

Несмещенной оценкой дисперсии возмущений является величина:

S2 = 277253.216 - необъясненная дисперсия (мера разброса зависимой переменной вокруг линии регрессии).

S = 526.55 - стандартная ошибка оценки (стандартная ошибка регрессии).

Sa - стандартное отклонение случайной величины a.



Sb - стандартное отклонение случайной величины b.

Проверка наличия гетероскедастичности.

Оценка коэффициента ранговой корреляции Спирмена.

Для того чтобы при уровне значимости б проверить нулевую гипотезу о равенстве нулю генерального коэффициента ранговой корреляции Спирмена при конкурирующей гипотезе Hi. p ? 0, надо вычислить критическую точку:

где n - объем выборки; p - выборочный коэффициент ранговой корреляции Спирмена: t(б, к) - критическая точка двусторонней критической области, которую находят по таблице критических точек распределения Стьюдента, по уровню значимости б и числу степеней свободы k = n-2.

Если |p| < Тkp - нет оснований отвергнуть нулевую гипотезу. Ранговая корреляционная связь между качественными признаками не значима. Если |p| > Tkp - нулевую гипотезу отвергают. Между качественными признаками существует значимая ранговая корреляционная связь.

По таблице Стьюдента находим t(б/2, k) = (0.05/2;46) = 2.009

Поскольку Tkp > p, то принимаем гипотезу о равенстве 0 коэффициента ранговой корреляции Спирмена. Другими словами, коэффициент ранговой корреляции статистически - не значим и ранговая корреляционная связь между оценками по двум тестам незначимая.

Проверим гипотезу H0: гетероскедастичность отсутствует.

Поскольку 2.009 > 0.29, то гипотеза об отсутствии гетероскедастичности принимается.

Рис. 30 Зависимость цены на вторичном рынке недвижимости в г. Нижнем Новгороде от условной единицы «НефтеБакс» (с лагом 1 квартал).

Получена статистическая связь между уровнем цен на нефть в рублях и квартальным темпом роста цен на квартиры в Нижнем Новгороде на вторичном рынке жилой недвижимости (рис. 30). Эта связь описывается линейным уравнением с удовлетворительным коэффициентом корреляции и лагом 3 месяца (1 квартал), определяемым средним сроком возврата экспортной выручки в Россию:

Дyi = 0.0409 x(i-1)+ 534.6647,

где Дyi - квартальный прирост цен на жилье, руб.;

x (i-1) - уровень цен НефтеБакса с лагом 1 квартал, руб./баррель.

Полученная параметрическая зависимость позволит осуществлять краткосрочное (на 3-6 месяцев) прогнозирование динамики цен на жилье в Нижнем Новгороде. Параметры уравнения регрессии.



Среднеквадратическое отклонение

Коэффициент корреляции

Ковариация.

Рассчитываем показатель тесноты связи.

В нашем примере связь между признаком Y фактором X высокая и прямая.

Значимость коэффициента корреляции.

Выдвигаем гипотезы:

H0: rxy = 0, нет линейной взаимосвязи между переменными;

H1: rxy ? 0, есть линейная взаимосвязь между переменными;

Вычислим наблюдаемое значение критерия (величина случайной ошибки).

По таблице Стьюдента с уровнем значимости б=0.05 и степенями свободы k=46 находим tкрит:



tкрит (n-m-1;б/2) = (46;0.025) = 2.009

где m = 1 - количество объясняющих переменных.

Поскольку |tнабл| > tкрит, то отклоняем гипотезу о равенстве 0 коэффициента корреляции. Другими словами, коэффициент корреляции статистически -- значим

Отметим значения на числовой оси.

Принятие Н0	Отклонение Н0 Принятие Н1
95%	5%
2.009	9.75

Доверительный интервал для коэффициента корреляции.

r(0.652;0.99)

Коэффициент детерминации.

R2= 0.8212 = 0.6737

т.е. в 67.37 % случаев изменения х приводят к изменению y. Другими словами - точность подбора уравнения регрессии - средняя. Остальные 32.63 % изменения Y объясняются факторами, не учтенными в модели (а также ошибками спецификации).

Оценка качества параметров регрессии приведена в расчетной таблице (Приложение 5)

F-статистика. Критерий Фишера.



Выдвинем нулевую гипотезу о том, что уравнение в целом статистически незначимо: H0: R2=0 на уровне значимости б.

Определим фактическое значение F-критерия:

Табличное значение критерия со степенями свободы k1=1 и k2=46, Fтабл = 4

Отметим значения на числовой оси.

Принятие Н0	Отклонение Н0 Принятие Н1
95%	5%
4	83.86

Поскольку фактическое значение F > Fтабл, то коэффициент детерминации статистически значим (найденная оценка уравнения регрессии статистически надежна).

Оценка параметров уравнения регрессии.

Анализ точности определения оценок коэффициентов регрессии.

Несмещенной оценкой дисперсии возмущений является величина:



S2 = 255356.105 - необъясненная дисперсия (мера разброса зависимой переменной вокруг линии регрессии).

S = 505.33 - стандартная ошибка оценки (стандартная ошибка регрессии).

Sa - стандартное отклонение случайной величины a.

Sb - стандартное отклонение случайной величины b.

Проверка наличия гетероскедастичности.

Оценка коэффициента ранговой корреляции Спирмена.

Для того чтобы при уровне значимости б проверить нулевую гипотезу о равенстве нулю генерального коэффициента ранговой корреляции Спирмена при конкурирующей гипотезе Hi. p ? 0, надо вычислить критическую точку:



где n - объем выборки; p - выборочный коэффициент ранговой корреляции Спирмена: t(б, к) - критическая точка двусторонней критической области, которую находят по таблице критических точек распределения Стьюдента, по уровню значимости б и числу степеней свободы k = n-2.

Если |p| < Тkp - нет оснований отвергнуть нулевую гипотезу. Ранговая корреляционная связь между качественными признаками не значима. Если |p| > Tkp - нулевую гипотезу отвергают. Между качественными признаками существует значимая ранговая корреляционная связь.

По таблице Стьюдента находим t(б/2, k) = (0.05/2;46) = 2.009

Поскольку Tkp > p, то принимаем гипотезу о равенстве 0 коэффициента ранговой корреляции Спирмена. Другими словами, коэффициент ранговой корреляции статистически - не значим и ранговая корреляционная связь между оценками по двум тестам незначимая.

Проверим гипотезу H0: гетероскедастичность отсутствует.

Поскольку 2.009 > 0.3, то гипотеза об отсутствии гетероскедастичности принимается.

Это далеко не идеальная модель, так как анализ стоимости недвижимости представляет собой сложную функцию, которая зависит от различных переменных, как внешних, так и внутренних, значения каждой из которых, в свою очередь, в той или иной степени являются определяющими друг друга. Так, безусловно, уровень цен на нефть, как один из основных источников доходов нашей страны не может не влиять на покупательскую способность населения, а, как следствие, и на спрос на жилье. С другой стороны, объемы строящегося жилья, как основной фактор предложения на рынке недвижимости, без сомнения, также играют значительную роль. В этом же списке можно перечислить доходы населения, процент по ипотечному кредиту, размер первого взноса в ипотечной компании, количество предложения жилья на рынке недвижимости, стоимость строительства (строительных материалов и т.п.), принятие законов о строительстве, облегчающих/осложняющих получение разрешения на строительство.

Таким образом, необходимо использовать уравнение множественной регрессии, что позволит увеличить качество модели. Однако, такой метод обладает некоторыми недостатками:

1) не факт, что точность прогноза повысится, т.к. предварительно необходимо дать прогноз изменения каждого из входных данных, что повышает вероятность общей ошибки;

2) методы регрессионного многофакторного прогнозирования разработаны для линейных (в лучшем случае - линеаризированных) моделей, а известные зависимости цена-фактор часто нелинейны;

Несмотря на то, что первые расчетные прогнозы (среднесрочные - на 1-3 года) появились более 10 лет назад, до настоящего времени продолжается развитие и совершенствование методов прогнозирования на отечественном рынке.



Заключение

Опыт исследования рынка недвижимости как сегмента рыночной экономики и сложной социально-экономической системы [17] позволил сформулировать следующий перечень свойств, необходимых для изучения закономерностей поведения рынка в ретроспективе и перспективе: ценовая ситуация на рынке; предложение; спрос; ввод жилой недвижимости; демографическая ситуация в регионе; доходы населения региона и доступность объектов недвижимости; ставка ипотечного кредитования; ликвидность объектов; предпочтения потребителей на рынке; внешние условия функционирования рынка.

Содержание общего анализа включает 4 этапа.

1) Создание и наполнение аналитических баз данных: сбор информации, предварительная обработка информации.

2) Мониторинг рынка: статистическая обработка данных; описание и анализ текущего состояния показателей; описание и анализ динамики показателей.

3) Исследование рынка: исследование динамических закономерностей изменения показателей; совместное исследование динамики различных показателей, в том числе показателей внешней среды; исследование показателей, не поддающихся статистическому мониторингу.

4) Прогнозирование развития рынка: исследование внешних и внутренних факторов, влияющих на изменение показателей; прогнозирование тенденций изменения показателей.

Проведенный анализ показал, что рынок жилой недвижимости г. Нижнего Новгорода динамично развивается, формируется разделение жилой недвижимости на классы чего не было еще 5 лет назад.

Мною была проведена сегментация рынка жилой недвижимости г. Нижнего Новгорода по классам с подробным описанием характеристик каждого из них. Было выявлено 4 класса - эконом, бизнес, премиум, элит. Анализ рынка показал, что по количеству объектов на рынке доминируют жилые дома эконом класса. Были собраны данные по динамике предложения, вводу жилой недвижимости, динамике средней стоимости квадратного метра как на вторичном, так и на первичном рынке недвижимости. Собранные данные показали уверенный рост.

Мною были определены иные факторы, влияющие на рынок недвижимости и на стоимость квадратного метра жилья. По некоторым из них были собраны аналитические данные.

В рамках текущей работы была выявлена наиболее значимая степенная модель анализа временного ряда стоимости квадратного метра жилья как на первичном, так и на вторичном рынке. Также были продемонстрированы уравнения линейной регрессии для выявления возможности прогноза цен на рынке жилой недвижимости г. Нижнего Новгорода в краткосрочном периоде.

Тем не менее любая будущая ситуация является неопределенной. Еще не найден метод, позволяющий точно «угадать» будущее развитие ситуации. Тем не менее, продолжается развитие и совершенствование методов прогнозирования на отечественном рынке.



Библиографический список

1. Территориальный орган Федеральной службы государственной статистики по Нижегородской области «Социально-экономическое положение г. Н. Новгорода»

2. Гражданский кодекс РФ

3. Закон РФ от 24.12.1992 N 4218-1 (ред. от 22.08.2004) "Об основах федеральной жилищной политики" (24 декабря 1992 г.)

4. С.Н. Максимов, «Основы предпринимательской деятельности на рынке недвижимости», учебное пособие для вузов, Санкт-Петербург, 2000

5. Экономика недвижимости : учеб. для студ. учреждений высш. проф. образования / С. Н.Максимов. -- М. : Издательский центр «Академия», 2010

6. Стерник Г. М. «Методические рекомендации по анализу рынка недвижимости», Москва, Изд. РГР, 1998. - 60 с.

7. Стерник Г.М., Стерник С.Г. Методология прогнозирования российского рынка недвижимости. Часть 1. Основные допущения, ограничения и рабочие гипотезы. Журнал «Механизация строительства». - 2013, No. 8 (830), стр. 53-63.

8. Прикладное прогнозирование национальной экономики / под ред. В.В. Ивантера, И.А. Буданова, А.Г. Коровкина, В.С. Сутягина. - М.: Экономистъ, 2007 - 896 ч.

9. Стерник Г.М., Стерник С.Г. Анализ рынка недвижимости для профессионалов. - М.: Изд. «Экономика», 2009. - 606 с.

10. Стерник Г.М. Как прогнозировать цены на жилье (пособие риэлтору). - Изд. РГР, М.: 1996. - 60 с.

11. Стерник Г.М. Эконометрический анализ и прогноз цен на жилье в городах России. - Материалы международной конференции по эконометрии жилищного рынка Европейской сети исследователей жилищного рынка, Вена, февраль 1997.

12. Стерник Г.М. Статистический подход к прогнозированию цен на жилье. - Журнал РАН «Экономика и математические методы», том 34 вып.1, 1998, стр. 85-90.

13. Стерник Г.М. Рынок жилья городов России: от устойчивого роста к кризису. [Электронный ресурс] - Режим доступа: www.realtymarket.org

14. Бокс Дж., Дженкинс Г.М. Анализ временных рядов, прогноз и управление. Вып.1. - М.: Мир, 1974; вып. 2. М.: Мир, 1974

15. Кендалл М., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973

16. Интервью с профессором кафедры «Экономика и управление городским строительством» РЭА им. Г.В. Плеханова, Геннадия Стерника. 2009.01.04

17. Econometric methods / J. Johnston, John DiNardo. - Singapore a.c.: Mc Graw-Hill, 1997

Размещено на Allbest.ur