Обзор рынка жилья в СПб

Введение
Общие данные о рынке жилой недвижимости
Индексы динамики на рынке жилья
Основные индикаторы рынка недвижимости Санкт-Петербурга
Индекс активности рынка
Индекс ценовых ожиданий продавцов на рынке жилья Санкт-Петербурга.
Изменение цен на квартиры в районах города
Динамика цен на первичном рынке недвижимости по типам квартир Санкт-Петербурга
Динамика цен на вторичном рынке недвижимости по типам квартир Санкт-Петербурга
Динамика цен на первичном рынке недвижимости по типам домов Санкт-Петербурга
Динамика цен на вторичном рынке недвижимости по типам домов Санкт-Петербурга
Динамика цен на комнаты на вторичном рынке недвижимости Санкт-Петербурга
Динамика активности спроса на первичном рынке жилья Санкт-Петербурга
Динамика активности спроса на вторичном рынке жилья Санкт-Петербурга
Динамика активности спроса на рынке аренды жилья Санкт-Петербурга
Эконометрическое моделирование стоимости квартир в г.Санкт-Петербург
Построение регрессионной модели стоимости однокомнатных квартир.
Линейная модель
Построение регрессионной модели стоимости двухкомнатных квартир
Линейная модель
Лог-линейная модель
Мультипликативная модель
Двойная логарифмическая модель
Заключение
Список литературы

C 0.739551 1.079209 0.685272 0.4984 LOG(X1) 0.098771 0.428892 0.230293 0.8194 LOG(X2) 0.444819 0.603225 0.737402 0.4666 LOG(X3) 0.515009 0.221634 2.323694 0.0271 LOG(X2)*X4 0.038313 0.019050 2.011194 0.0534 X5 -0.019789 0.067033 -0.295213 0.7699 X6 -0.185675 0.068619 -2.705881 0.0111 X7 -0.033036 0.078549 -0.420577 0.6771 X8 -0.006438 0.070985 -0.090701 0.9283 X9 0.525724 0.135186 3.888903 0.0005 R-squared 0.822686 Mean dependent var 3.852516 Adjusted R-squared 0.769492 S.D. dependent var 0.343040 S.E. of regression 0.164698 Akaike info criterion -0.557092 Sum squared resid 0.813760 Schwarz criterion -0.134872 Log likelihood 21.14184 F-statistic 15.46570 Durbin-Watson stat 2.189315 Prob(F-statistic) 0.000000 Уравнение получилось значимо, следует исключить переменную х8, так как у нее минимальное наблюдаемое значение.
2.
Variable Coefficient Std. Error t-Statistic Prob. C 0.755380 1.047831 0.720898 0.4764 LOG(X1) 0.105140 0.416280 0.252571 0.8023 LOG(X2) 0.432307 0.577769 0.748235 0.4600 LOG(X3) 0.519366 0.212877 2.439745 0.0206 LOG(X2)*X4 0.038147 0.018656 2.044750 0.0494 X5 -0.020012 0.065908 -0.303640 0.7634 X6 -0.184471 0.066238 -2.784992 0.0090 X7 -0.031194 0.074656 -0.417842 0.6789 X9 0.528695 0.129042 4.097069 0.0003 R-squared 0.822637 Mean dependent var 3.852516 Adjusted R-squared 0.776866 S.D. dependent var 0.343040 S.E. of regression 0.162042 Akaike info criterion -0.606818 Sum squared resid 0.813983 Schwarz criterion -0.226820 Log likelihood 21.13636 F-statistic 17.97288 Durbin-Watson stat 2.189683 Prob(F-statistic) 0.000000
Уравнение получилось значимо, следует исключить переменную LOG(X1), так как у нее минимальное наблюдаемое значение.
3.
Variable Coefficient Std. Error t-Statistic Prob. C 0.720505 1.023386 0.704040 0.4865 LOG(X2) 0.553616 0.316412 1.749666 0.0898 LOG(X3) 0.483318 0.155617 3.105811 0.0040 LOG(X2)*X4 0.036785 0.017597 2.090423 0.0446 X5 -0.019770 0.064930 -0.304478 0.7627 X6 -0.183653 0.065183 -2.817477 0.0082 X7 -0.036287 0.070822 -0.512370 0.6119 X9 0.526813 0.126928 4.150473 0.0002 R-squared 0.822272 Mean dependent var 3.852516 Adjusted R-squared 0.783394 S.D. dependent var 0.343040 S.E. of regression 0.159654 Akaike info criterion -0.654762 Sum squared resid 0.815658 Schwarz criterion -0.316986 Log likelihood 21.09525 F-statistic 21.15010 Durbin-Watson stat 2.178049 Prob(F-statistic) 0.000000 Уравнение опять получилось значимо, следует исключить переменную х5, так как у нее минимальное наблюдаемое значение.
4.
Variable Coefficient Std. Error t-Statistic Prob. C 0.593886 0.922141 0.644030 0.5240 LOG(X2) 0.589534 0.289535 2.036142 0.0498 LOG(X3) 0.470832 0.148039 3.180458 0.0032 LOG(X2)*X4 0.035664 0.016969 2.101704 0.0433 X6 -0.187150 0.063275 -2.957703 0.0057 X7 -0.033879 0.069405 -0.488134 0.6287 X9 0.528830 0.125001 4.230615 0.0002 R-squared 0.821757 Mean dependent var 3.852516 Adjusted R-squared 0.789350 S.D. dependent var 0.343040 S.E. of regression 0.157444 Akaike info criterion -0.701869 Sum squared resid 0.818021 Schwarz criterion -0.406315 Log likelihood 21.03739 F-statistic 25.35682 Durbin-Watson stat 2.153230 Prob(F-statistic) 0.000000 Уравнение опять получилось значимо, следует исключить переменную х7, так как у нее минимальное наблюдаемое значение.
5.
Variable Coefficient Std. Error t-Statistic Prob. C 0.553365 0.908051 0.609399 0.5463 LOG(X2) 0.592654 0.286203 2.070743 0.0460 LOG(X3) 0.475593 0.146054 3.256288 0.0026 LOG(X2)*X4 0.040134 0.014124 2.841553 0.0075 X6 -0.181671 0.061570 -2.950620 0.0057 X9 0.535895 0.122761 4.365341 0.0001 R-squared 0.820470 Mean dependent var 3.852516 Adjusted R-squared 0.794069 S.D. dependent var 0.343040 S.E. of regression 0.155670 Akaike info criterion -0.744675 Sum squared resid 0.823928 Schwarz criterion -0.491343 Log likelihood 20.89350 F-statistic 31.07677 Durbin-Watson stat 2.104247 Prob(F-statistic) 0.000000 Уравнение опять получилось значимо, из коэффициентов регрессии значимы все.
F-statistic 0.429427 Probability 0.894258 Obs*R-squared 3.990565 Probability 0.857974 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/11/06 Time: 16:05 Sample: 41 80 IF ROOM=2 Included observations: 40 Variable Coefficient Std. Error t-Statistic Prob. C 5.876891 8.167306 0.719563 0.4772 LOG(X2) -3.254366 4.392746 -0.740850 0.4644 (LOG(X2))^2 0.453488 0.585330 0.774755 0.4444 LOG(X3) 0.014239 0.525597 0.027092 0.9786 (LOG(X3))^2 -0.017886 0.128848 -0.138818 0.8905 LOG(X2)*X4 0.187329 0.184133 1.017361 0.3169 (LOG(X2)*X4)^2 -0.050484 0.048272 -1.045820 0.3037 X6 0.008124 0.020984 0.387128 0.7013 X9 -0.026936 0.050176 -0.536833 0.5952 R-squared 0.099764 Mean dependent var 0.020598 Adjusted R-squared -0.132555 S.D. dependent var 0.048941 S.E. of regression 0.052084 Akaike info criterion -2.876819 Sum squared resid 0.084094 Schwarz criterion -2.496821 Log likelihood 66.53638 F-statistic 0.429427 Durbin-Watson stat 1.991111 Prob(F-statistic) 0.894258 Гетероскедастичности нет.
Получили такое уравнение регрессии:
Проведем обратное преобразование и избавимся от логарифмов:
Полученное значение R2= ,82047043 свидетельствует о том, что 82,05% вариации зависимой переменной стоимости жилья (y) объясняется вариацией общей площади (x2), площадью кухни (x3), материалом стен (x4), этажом (x6) и ближайшей к дому станцией метро (x9), а остальные 17,95% вариации вызваны воздействием неучтенных в модели случайных факторов, поэтому видно, что для характеристики стоимости жилья (y) данная модель пригодна.
Из приведенной модели следует, что увеличение общей площади (x2) на 1% (без влияния материал стен дома) ведет к повышению стоимости квартиры в среднем на 59,3%. При увеличении площади кухни (x3) на 1% стоимость квартиры увеличивается на 47,6%. При расположении квартиры на первом или последнем этажах ее стоимость снижается на 18,2%. Если ближайшая станция метро расположена вблизи пересадочной станции метро, то стоимость квартиры увеличивается на 70,91%. Двухкомнатная квартира в кирпичном доме будет стоить в среднем на 4% дороже.
Такие факторы, как жилая площадь, наличие балкона, расположение вблизи конечной станции метро и шаговая доступность до метро не вошли в модель, т.к. при заданном уровне значимости, а также на фоне влияния остальных рассматриваемых в модели факторов, эти факторы не оказывают существенного влияния на стоимость двухкомнатных квартир в Москве. Отсутствие в модели таких важных факторов, как жилая площадь, объясняется тесной корреляцией этих признаков с факторами x3 –площадь кухни и x2 – общая площадь, которые вошли в модель.
Двойная логарифмическая модель
Проведем предварительный статистический анализ данных, корреляционный анализ, выявив наличие мультиколлинеарности и наиболее тесно связанных с ln y объясняющие переменные.
Таблица 15. –Корреляционная матрица
lny lnx1 lnx2 lnx3 x4 x5 x6 x7 x8 x9 lny 1,00 -0,20 0,58 0,57 0,18 0,03 -0,11 -0,55 0,37 0,53 lnx1 -0,20 1,00 0,11 -0,15 -0,28 0,11 -0,06 0,06 -0,09 -0,09 lnx2 0,58 0,11 1,00 0,71 0,00 0,01 0,01 -0,33 0,07 0,11 lnx3 0,57 -0,15 0,71 1,00 -0,11 0,22 -0,06 -0,50 0,01 0,04 x4 0,18 -0,28 0,00 -0,11 1,00 -0,15 0,00 -0,25 0,33 0,14 x5 0,03 0,11 0,01 0,22 -0,15 1,00 -0,31 0,13 -0,04 -0,04 x6 -0,11 -0,06 0,01 -0,06 0,00 -0,31 1,00 0,19 -0,13 0,12 x7 -0,55 0,06 -0,33 -0,50 -0,25 0,13 0,19 1,00 -0,22 -0,22 x8 0,37 -0,09 0,07 0,01 0,33 -0,04 -0,13 -0,22 1,00 -0,08 x9 0,53 -0,09 0,11 0,04 0,14 -0,04 0,12 -0,22 -0,08 1,00
Анализируя корреляционную матрицу можно сделать вывод, что значения коэффициентов корреляции не превышает 0,8, следовательно мультиколлинеарности нет.
Построим регрессионную модель зависимости ln y от объясняющих переменных пошаговым методом.
1.
Variable Coefficient Std. Error t-Statistic Prob. C 0.640388 1.058064 0.605245 0.5496 LOG(X1) 0.118465 0.427905 0.276847 0.7838 LOG(X2) 0.448211 0.596175 0.751811 0.4580 LOG(X3) 0.522545 0.220730 2.367347 0.0246 X4 0.154936 0.073684 2.102712 0.0440 X5 -0.020511 0.066633 -0.307822 0.7603 X6 -0.184409 0.068151 -2.705876 0.0111 X7 -0.027123 0.078787 -0.344255 0.7331 X8 -0.006976 0.070596 -0.098823 0.9219 X9 0.528171 0.134511 3.926603 0.0005 R-squared 0.824625 Mean dependent var 3.852516 Adjusted R-squared 0.772013 S.D. dependent var 0.343040 S.E. of regression 0.163795 Akaike info criterion -0.568090 Sum squared resid 0.804859 Schwarz criterion -0.145870 Log likelihood 21.36180 F-statistic 15.67359 Durbin-Watson stat 2.184569 Prob(F-statistic) 0.000000 Уравнение получилось значимо, следует исключить переменную х8, так как у нее минимальное наблюдаемое значение.
2.
Variable Coefficient Std. Error t-Statistic Prob. C 0.658098 1.025986 0.641430 0.5260 LOG(X1) 0.125320 0.415447 0.301650 0.7649 LOG(X2) 0.434555 0.570602 0.761573 0.4521 LOG(X3) 0.527256 0.212050 2.486473 0.0185 X4 0.154238 0.072163 2.137343 0.0406 X5 -0.020754 0.065515 -0.316789 0.7535 X6 -0.183101 0.065779 -2.783592 0.0091 X7 -0.025140 0.074962 -0.335367 0.7396 X9 0.531385 0.128418 4.137935 0.0002 R-squared 0.824568 Mean dependent var 3.852516 Adjusted R-squared 0.779296 S.D. dependent var 0.343040 S.E. of regression 0.161157 Akaike info criterion -0.617765 Sum squared resid 0.805121 Schwarz criterion -0.237767 Log likelihood 21.35530 F-statistic 18.21336 Durbin-Watson stat 2.184987 Prob(F-statistic) 0.000000 Уравнение опять получилось значимо, следует исключить переменную LOG(X1), так как у нее минимальное наблюдаемое значение.
3.
Variable Coefficient Std. Error t-Statistic Prob. C 0.620899 1.003977 0.618439 0.5407 LOG(X2) 0.578076 0.310474 1.861917 0.0718 LOG(X3) 0.484246 0.154709 3.130035 0.0037 X4 0.147714 0.067861 2.176699 0.0370 X5 -0.020434 0.064569 -0.316474 0.7537 X6 -0.182193 0.064770 -2.812926 0.0083 X7 -0.031428 0.070975 -0.442811 0.6609 X9 0.529042 0.126349 4.187146 0.0002 R-squared 0.824053 Mean dependent var 3.852516 Adjusted R-squared 0.785565 S.D. dependent var 0.343040 S.E. of regression 0.158852 Akaike info criterion -0.664834 Sum squared resid 0.807485 Schwarz criterion -0.327058 Log likelihood 21.29668 F-statistic 21.41047 Durbin-Watson stat 2.171018 Prob(F-statistic) 0.000000 Уравнение опять получилось значимо, следует исключить переменную х5, так как у нее минимальное наблюдаемое значение.
4.
Variable Coefficient Std. Error t-Statistic Prob. C 0.493765 0.907472 0.544110 0.5900 LOG(X2) 0.614198 0.284769 2.156832 0.0384 LOG(X3) 0.471393 0.147235 3.201648 0.0030 X4 0.143270 0.065481 2.187953 0.0359 X6 -0.185776 0.062897 -2.953659 0.0058 X7 -0.028974 0.069581 -0.416401 0.6798 X9 0.531116 0.124447 4.267821 0.0002 R-squared 0.823503 Mean dependent var 3.852516 Adjusted R-squared 0.791412 S.D. dependent var 0.343040 S.E. of regression 0.156671 Akaike info criterion -0.711709 Sum squared resid 0.810012 Schwarz criterion -0.416155 Log likelihood 21.23418 F-statistic 25.66194 Durbin-Watson stat 2.145140 Prob(F-statistic) 0.000000
Уравнение опять получилось значимо, следует исключить переменную х7, так как у нее минимальное по модулю наблюдаемое значение.
5.
Variable Coefficient Std. Error t-Statistic Prob. C 0.448700 0.889976 0.504171 0.6174 LOG(X2) 0.619576 0.280996 2.204927 0.0343 LOG(X3) 0.475412 0.145121 3.275971 0.0024 X4 0.158249 0.054046 2.928065 0.0060 X6 -0.181069 0.061116 -2.962710 0.0055 X9 0.537265 0.122056 4.401780 0.0001 R-squared 0.822575 Mean dependent var 3.852516 Adjusted R-squared 0.796483 S.D. dependent var 0.343040 S.E. of regression 0.154755 Akaike info criterion -0.756468 Sum squared resid 0.814268 Schwarz criterion -0.503136 Log likelihood 21.12937 F-statistic 31.52611 Durbin-Watson stat 2.103604 Prob(F-statistic) 0.000000
Уравнение опять получилось значимо, из коэффициентов регрессии значимы все.
Тест на гетероскедастичность.
White Heteroskedasticity Test: F-statistic 0.333967 Probability 0.932441 Obs*R-squared 2.723266 Probability 0.909369 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/11/06 Time: 16:13 Sample: 41 80 IF ROOM=2 Included observations: 40 Variable Coefficient Std. Error t-Statistic Prob. C 0.424236 6.417326 0.066108 0.9477 LOG(X2) -0.256084 3.403141 -0.075249 0.9405 (LOG(X2))^2 0.041329 0.443525 0.093183 0.9263 LOG(X3) 0.002642 0.522683 0.005056 0.9960 (LOG(X3))^2 -0.007693 0.127866 -0.060161 0.9524 X4 -0.018757 0.020407 -0.919140 0.3649 X6 0.011437 0.020683 0.552998 0.5841 X9 -0.014257 0.048498 -0.293973 0.7707 R-squared 0.068082 Mean dependent var 0.020357 Adjusted R-squared -0.135775 S.D. dependent var 0.048604 S.E. of regression 0.051798 Akaike info criterion -2.906067 Sum squared resid 0.085858 Schwarz criterion -2.568291 Log likelihood 66.12135 F-statistic 0.333967 Durbin-Watson stat 2.001662 Prob(F-statistic) 0.932441
В полученной модели гетероскедастичности нет, то есть остатки имеют постоянную дисперсию.
Построим уравнение регрессии:
Проведем обратное преобразование и избавимся от логарифмов:
Полученное значение R?= ,8226 свидетельствует о том, что 82,26% вариации зависимой переменной стоимости жилья (y) объясняется вариацией общей площади (x2), площадью кухни (x3), материалом стен (x4), этажом (x6) и ближайшей к станцией метро (x9), а остальные 17,74% вариации вызваны воздействием неучтенных в модели случайных факторов, поэтому видно, что для характеристики стоимости жилья (y) данная модель пригодна.

Из приведенной модели следует, что увеличение общей площади (x2) на 1% ведет к повышению стоимости квартиры в среднем на 62%. При увеличении площади кухни (x3) на 1% стоимость квартиры увеличивается на 47,5%. При расположении квартиры на первом или последнем этажах ее стоимость снижается на 18,1%. Если ближайшая станция метро расположена близко, то стоимость квартиры увеличивается на 53,7%. Двухкомнатная квартира в кирпичном доме будет стоить в среднем на 14,8% дороже.
Такие факторы, как жилая площадь, наличие балкона, расположение вблизи конечной станции метро и пересадочной станции, т.к. при заданном уровне значимости, а также на фоне влияния остальных рассматриваемых в модели факторов, эти факторы не оказывают существенного влияния на стоимость двухкомнатных квартир в Санкт-Петербурга. Отсутствие в модели таких важных факторов, как жилая площадь, объясняется тесной корреляцией этих признаков с факторами x3 –площадь кухни и x2 – общая площадь, которые вошли в модель.

Заключение
Спрос на однокомнатные квартиры постепенно снижается — часть покупателей переключается на более просторное жилье. При этом цены на однокомнатные квартиры благодаря ипотеке с начала года растут быстрее всего.
Доля однокомнатных квартир в структуре предложения стабильна в последние год-полтора — 27-28% (на пике кризиса она доходила до трети листинга). Риэлторы отмечают, что сделок с однокомнатными квартирами стало меньше. Хотя данные у каждой фирмы свои (в зависимости от ее специфики). Так, в «Бекаре» и «Экотоне» на однокомнатные сейчас приходится до 60% всех сделок, в «Петербургской Недвижимости» и «Адвексе» — по 35%, в «Итаке» — 33%, в АРИН — 28%.
Меньше всего в предложении недорогих квартир («хрущевки» и «корабли») — варианты по 2,3-2,4 млн. рублей пользуются спросом лучше всего. Выбор среднего по цене и качеству жилья за 2,6-2,8 млн. (в основном, это панельные дома) довольно большой.
В листингах наблюдается переизбыток дорогих (более 4 млн. руб.) крупногабаритных вариантов (от 45 кв.м). За ту же цену сегодня можно взять двухкомнатную квартиру, например в доме советской постройки. А просторные однокомнатные квартиры редко, но все же покупают одинокие молодые люди (по данным ГК «Экотон»).
Квартиры по 40-44 кв.м. довольно востребованы, особенно в новых кирпично-монолитных постройках и домах 137-й серии. Клиенты стали больше задумываться о комфорте (в разумных ценовых пределах).
С декабря жилье на вторичном рынке стабильно дорожает, а ценовой рост по однокомнатным квартирам чуть опережает средний показатель. За последние полгода стоимость типовых однокомнатных квартир увеличилась примерно на 100 000 рублей. Одна из основных причин — возрождение ипотеки.
Самые дешевые однокомнатные варианты можно найти в области, в разумной удаленности от Петербурга. Преимущественно это советские панельные дома разных серий по 2-2,3 млн. рублей. Такие предложения есть в Гатчине, Кировске, Шлиссельбурге.
В Петербурге квартиры-студии на вторичном рынке предлагают по 2,2-2,4 млн. рублей. Однокомнатные «хрущевки» продаются от 2,3 млн. рублей, «корабли» — от 2,4 млн.; квартиры в домах 504-й серии — от 2,5 млн.; 137-я серия ценится от 2,7 млн.; квартиры в домах последних лет постройки обойдутся минимум в 3 млн рублей.
По данным АН «Петербургская Недвижимость» в лидерах спроса — жилье за 3,1-3,5 млн. рублей в новых кирпичных и монолитных домах. Далее интерес покупателей равномерно распределяется между советскими и современными панельными домами.
Возможность торга по любым объектам зависит от личной ситуации продавца. Более трети однокомнатных квартир предлагаются в прямой продаже (унаследованное жилье; квартиры, которые раньше сдавались внаем). Такие варианты дороже аналогов со встречными предложениями примерно на 50-100 тысяч рублей (и даже на все 150 тысяч, если объект еще и находится в собственности продавца более трех лет).
Возрождение ипотеки началось с наиболее доступного по цене и приемлемого по комфорту жилья — с однокомнатными квартирами. Сегодня с применением ипотечных кредитов, по данным агентств, продается от 20 до 50% однокомнатных квартир. По подсчетам кредиторов, из всех сделок с объектами вторичного рынка на однокомнатные квартиры приходится до 50%.
Ипотеку предоставляют уже более 30 банков, ставки и прочие требования приемлемы даже для покупателей со средними доходами. Чаще всего заемщики берут на однокомнатные квартиры по 1,8-2 млн. рублей.

Список литературы
1 Айвазян С.А., Б.Е.Бродский Макроэкономическое моделирование: подходы, проблемы, пример эконометрической модели российской экономики. ЦЭМИ РАН, 2005 2 Гусаров В.М. Статистика: Учеб. пособие для вузов. - М.: ЮНИТИ-ДАНА, 2002.- 463с. 3 Гусаров В.М. Теория статистики. – М.: Аудит, 1998. – 248 с. 4 Гусев Н.Ю. Статистика: основы методологии. – М.: Экономика, 1996. 286 стр. 5 Драйпер Н., Смит Г. «Прикладной регрессионный анализ: в 2 - х книгах» — М., 1987 6 Ефимова М.Р., Ганченко О.И., Петрова Е.В. Практикум по общей теории статистики: Учеб. пособие. – М.: Финансы и статистика, 2002. 7 Ефимова О.В. Финансовый анализ. Москва Бухгалтерский учет, 1996г. 8 Замков О. О., Толстопятенко А. В., Черемных Ю. Н. «Математические методы в экономике» — М., 1997 9 Карасев А.И., Аксютина З.М., Савельева Т.И. Курс высшей математики для экономических вузов. В 2-х частях. Ч. II. Теория вероятностей и математическая статистика. Линейное программирование. – М.: Высшая школа, 1982. 10 Курс социально-экономической статистики: Учеб. / Под ред. М. Г. Назарова. – М.: Финстатинформ: ЮНИТИ-ДАНА, 2000. 11 М.И. Баканов, А.Д. Шеремет. Теория экономического анализа , Москва: Финансы и Статистика, 1996 г. 12 Мелкумов Я. С. Социально-экономическая статистика: конспекты лекций и решение типовых задач: Учеб.-метод. пособие – М.: ИМПЭ-ПАБЛИШ, 2004.
13 Назаров Н.Г. "Курс социально экономической статистики" М.2011 год 14 Общая теория статистики. Четвертое издание. Под редакцией А.А.Спирина, О.Э.Башиной. Москва, “Финансы и статистика”, 1997 год. 15 Общая теория статистики: Учеб. / Под ред. М. Р. Ефимовой. – М.: Финансы и статистика, 2004. 16 Общая теория статистики: Учеб. / Под ред. Р. А. Шмойловой. – М.: Финансы и статистика, 2004. 17 Пеньков Б.Е. Управление капиталом предприятия: финансовый анализ и принятие решений: Для руководителей и экономических служб предприятий - М.: Агроконсалт, 2001.- 236с. 18 Практикум по статистике: Учебное пособие для вузов (Под ред. В.М. Симчеры). ВЗФЭИ. – М.: ЗАО «Финстатинформ», 1999. – 259 с. 19 Практикум по теории статистики: Учеб. пособие / Под ред. Р. А. Шмойловой. – М.: Финансы и статистика, 2002. 20 Российский статистический ежегодник: Статистический сборник Федеральной службы государственной статистики. – М. (последний выпуск). 21 Савицкая Г.В. Анализ хозяйственной деятельности предприятия, 2-е изд, переработанное и дополненной, Москва, Минск: ИП Экоперспектива 22 Салин В.Н., Шпаковская Е.П. Социально-экономическая статистика: Учебник. – М.: Юристъ, 2001. – 271 с. 23 Социальная статистика: Учеб. / Под ред. М. Р. Ефимовой. – М.: Финансы и статистика, 2003. 24 Социально- экономическая статистика. Под ред. Назарова М.М – М.: Экономика, 2000г. 430 стр. 25 Социально-экономическая статистика: Учебник для вузов/Под ред. проф. Башкатова Б.И. - М.: ЮНИТИ-ДАНА, 2002.- 703с. 26 Статистика: Учеб. пособие / Под ред. М. Р. Ефимовой. – М.: ИНФРАМ, 2004. 27 Толстик Н.В., Матегорина Н.М. Статистика: - Ростов-на-Дону: Феникс, 2001.- с. 28 Чернов В., Экономическая статистика: Учебное пособие – Таганрог: ТРТУ, 1999 29 Экономическая статистика. Учебник под редакцией Иванова Ю.Н. – М.: Цифра, 2000. 186 стр. 30 Экономическая статистика: Учеб. / Под ред. М. Р. Ефимовой – М.: ИНФРА-М, 2000. 31 www.bn.ru
4