Обзор рынка жилья в СПб

C 0.739 551 1.79 209 0.685 272 0.4984 LOG (X1) 0.98 771 0.428 892 0.230 293 0.8194 LOG (X2) 0.444 819 0.603 225 0.737 402 0.4666 LOG (X3) 0.515 009 0.221 634 2.323 694 0.0271 LOG (X2)*X4 0.38 313 0.19 050 2.11 194 0.0534 X5 -0.19 789 0.67 033 -0.295 213 0.7699 X6 -0.185 675 0.68 619 -2.705 881 0.0111 X7 -0.33 036 0.78 549 -0.420 577 0.6771 X8 -0.6 438 0.70 985 -0.90 701 0.9283 X9 0.525 724 0.135 186 3.888 903 0.0005 R-squared 0.822 686 Mean dependent var 3.852 516 Adjusted R-squared 0.769 492 S.D. dependent var 0.343 040 S.E. of regression 0.164 698 Akaike info criterion -0.557 092 Sum squared resid 0.813 760 Schwarz criterion -0.134 872 Log likelihood 21.14 184 F-statistic 15.46 570 Durbin-Watson stat 2.189 315 Prob (F-statistic) 0.0

Уравнение получилось значимо, следует исключить переменную х8, так как у нее минимальное наблюдаемое значение.

2.

Variable Coefficient Std. Error t-Statistic Prob. C 0.755 380 1.47 831 0.720 898 0.4764 LOG (X1) 0.105 140 0.416 280 0.252 571 0.8023 LOG (X2) 0.432 307 0.577 769 0.748 235 0.4600 LOG (X3) 0.519 366 0.212 877 2.439 745 0.0206 LOG (X2)*X4 0.38 147 0.18 656 2.44 750 0.0494 X5 -0.20 012 0.65 908 -0.303 640 0.7634 X6 -0.184 471 0.66 238 -2.784 992 0.0090 X7 -0.31 194 0.74 656 -0.417 842 0.6789 X9 0.528 695 0.129 042 4.97 069 0.0003 R-squared 0.822 637 Mean dependent var 3.852 516 Adjusted R-squared 0.776 866 S.D. dependent var 0.343 040 S.E. of regression 0.162 042 Akaike info criterion -0.606 818 Sum squared resid 0.813 983 Schwarz criterion -0.226 820 Log likelihood 21.13 636 F-statistic 17.97 288 Durbin-Watson stat 2.189 683 Prob (F-statistic) 0.0

Уравнение получилось значимо, следует исключить переменную LOG (X1), так как у нее минимальное наблюдаемое значение.

3.

Variable Coefficient Std. Error t-Statistic Prob. C 0.720 505 1.23 386 0.704 040 0.4865 LOG (X2) 0.553 616 0.316 412 1.749 666 0.0898 LOG (X3) 0.483 318 0.155 617 3.105 811 0.0040 LOG (X2)*X4 0.36 785 0.17 597 2.90 423 0.0446 X5 -0.19 770 0.64 930 -0.304 478 0.7627 X6 -0.183 653 0.65 183 -2.817 477 0.0082 X7 -0.36 287 0.70 822 -0.512 370 0.6119 X9 0.526 813 0.126 928 4.150 473 0.0002 R-squared 0.822 272 Mean dependent var 3.852 516 Adjusted R-squared 0.783 394 S.D. dependent var 0.343 040 S.E. of regression 0.159 654 Akaike info criterion -0.654 762 Sum squared resid 0.815 658 Schwarz criterion -0.316 986 Log likelihood 21.9 525 F-statistic 21.15 010 Durbin-Watson stat 2.178 049 Prob (F-statistic) 0.0

Уравнение опять получилось значимо, следует исключить переменную х5, так как у нее минимальное наблюдаемое значение.

4.

Variable Coefficient Std. Error t-Statistic Prob. C 0.593 886 0.922 141 0.644 030 0.5240 LOG (X2) 0.589 534 0.289 535 2.36 142 0.0498 LOG (X3) 0.470 832 0.148 039 3.180 458 0.0032 LOG (X2)*X4 0.35 664 0.16 969 2.101 704 0.0433 X6 -0.187 150 0.63 275 -2.957 703 0.0057 X7 -0.33 879 0.69 405 -0.488 134 0.6287 X9 0.528 830 0.125 001 4.230 615 0.0002 R-squared 0.821 757 Mean dependent var 3.852 516 Adjusted R-squared 0.789 350 S.D. dependent var 0.343 040 S.E. of regression 0.157 444 Akaike info criterion -0.701 869 Sum squared resid 0.818 021 Schwarz criterion -0.406 315 Log likelihood 21.3 739 F-statistic 25.35 682 Durbin-Watson stat 2.153 230 Prob (F-statistic) 0.0

Уравнение опять получилось значимо, следует исключить переменную х7, так как у нее минимальное наблюдаемое значение.

5.

Variable Coefficient Std. Error t-Statistic Prob. C 0.553 365 0.908 051 0.609 399 0.5463 LOG (X2) 0.592 654 0.286 203 2.70 743 0.0460 LOG (X3) 0.475 593 0.146 054 3.256 288 0.0026 LOG (X2)*X4 0.40 134 0.14 124 2.841 553 0.0075 X6 -0.181 671 0.61 570 -2.950 620 0.0057 X9 0.535 895 0.122 761 4.365 341 0.0001 R-squared 0.820 470 Mean dependent var 3.852 516 Adjusted R-squared 0.794 069 S.D. dependent var 0.343 040 S.E. of regression 0.155 670 Akaike info criterion -0.744 675 Sum squared resid 0.823 928 Schwarz criterion -0.491 343 Log likelihood 20.89 350 F-statistic 31.7 677 Durbin-Watson stat 2.104 247 Prob (F-statistic) 0.0

Уравнение опять получилось значимо, из коэффициентов регрессии значимы все.

F-statistic 0.429 427 Probability 0.894 258 Obs*R-squared 3.990 565 Probability 0.857 974 Test Equation: Dependent Variable: RESID² 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 5.876 891 8.167 306 0.719 563 0.4772 LOG (X2) -3.254 366 4.392 746 -0.740 850 0.4644 (LOG (X2))^2 0.453 488 0.585 330 0.774 755 0.4444 LOG (X3) 0.14 239 0.525 597 0.27 092 0.9786 (LOG (X3))^2 -0.17 886 0.128 848 -0.138 818 0.8905 LOG (X2)*X4 0.187 329 0.184 133 1.17 361 0.3169 (LOG (X2)*X4)^2 -0.50 484 0.48 272 -1.45 820 0.3037 X6 0.8 124 0.20 984 0.387 128 0.7013 X9 -0.26 936 0.50 176 -0.536 833 0.5952 R-squared 0.99 764 Mean dependent var 0.20 598 Adjusted R-squared -0.132 555 S.D. dependent var 0.48 941 S.E. of regression 0.52 084 Akaike info criterion -2.876 819 Sum squared resid 0.84 094 Schwarz criterion -2.496 821 Log likelihood 66.53 638 F-statistic 0.429 427 Durbin-Watson stat 1.991 111 Prob (F-statistic) 0.894 258

Гетероскедастичности нет.

Получили такое уравнение регрессии:

Проведем обратное преобразование и избавимся от логарифмов:

Полученное значение R2=, 82 047 043 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 0,04×4 0,18 -0,28 0,00 -0,11 1,00 -0,15 0,00 -0,25 0,33 0,14×5 0,03 0,11 0,01 0,22 -0,15 1,00 -0,31 0,13 -0,04 -0,04×6 -0,11 -0,06 0,01 -0,06 0,00 -0,31 1,00 0,19 -0,13 0,12×7 -0,55 0,06 -0,33 -0,50 -0,25 0,13 0,19 1,00 -0,22 -0,22×8 0,37 -0,09 0,07 0,01 0,33 -0,04 -0,13 -0,22 1,00 -0,08×9 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 0.640 388 1.58 064 0.605 245 0.5496 LOG (X1) 0.118 465 0.427 905 0.276 847 0.7838 LOG (X2) 0.448 211 0.596 175 0.751 811 0.4580 LOG (X3) 0.522 545 0.220 730 2.367 347 0.0246 X4 0.154 936 0.73 684 2.102 712 0.0440 X5 -0.20 511 0.66 633 -0.307 822 0.7603 X6 -0.184 409 0.68 151 -2.705 876 0.0111 X7 -0.27 123 0.78 787 -0.344 255 0.7331 X8 -0.6 976 0.70 596 -0.98 823 0.9219 X9 0.528 171 0.134 511 3.926 603 0.0005 R-squared 0.824 625 Mean dependent var 3.852 516 Adjusted R-squared 0.772 013 S.D. dependent var 0.343 040 S.E. of regression 0.163 795 Akaike info criterion -0.568 090 Sum squared resid 0.804 859 Schwarz criterion -0.145 870 Log likelihood 21.36 180 F-statistic 15.67 359 Durbin-Watson stat 2.184 569 Prob (F-statistic) 0.0

Уравнение получилось значимо, следует исключить переменную х8, так как у нее минимальное наблюдаемое значение.

2.

Variable Coefficient Std. Error t-Statistic Prob. C 0.658 098 1.25 986 0.641 430 0.5260 LOG (X1) 0.125 320 0.415 447 0.301 650 0.7649 LOG (X2) 0.434 555 0.570 602 0.761 573 0.4521 LOG (X3) 0.527 256 0.212 050 2.486 473 0.0185 X4 0.154 238 0.72 163 2.137 343 0.0406 X5 -0.20 754 0.65 515 -0.316 789 0.7535 X6 -0.183 101 0.65 779 -2.783 592 0.0091 X7 -0.25 140 0.74 962 -0.335 367 0.7396 X9 0.531 385 0.128 418 4.137 935 0.0002 R-squared 0.824 568 Mean dependent var 3.852 516 Adjusted R-squared 0.779 296 S.D. dependent var 0.343 040 S.E. of regression 0.161 157 Akaike info criterion -0.617 765 Sum squared resid 0.805 121 Schwarz criterion -0.237 767 Log likelihood 21.35 530 F-statistic 18.21 336 Durbin-Watson stat 2.184 987 Prob (F-statistic) 0.0

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 0.620 899 1.3 977 0.618 439 0.5407 LOG (X2) 0.578 076 0.310 474 1.861 917 0.0718 LOG (X3) 0.484 246 0.154 709 3.130 035 0.0037 X4 0.147 714 0.67 861 2.176 699 0.0370 X5 -0.20 434 0.64 569 -0.316 474 0.7537 X6 -0.182 193 0.64 770 -2.812 926 0.0083 X7 -0.31 428 0.70 975 -0.442 811 0.6609 X9 0.529 042 0.126 349 4.187 146 0.0002 R-squared 0.824 053 Mean dependent var 3.852 516 Adjusted R-squared 0.785 565 S.D. dependent var 0.343 040 S.E. of regression 0.158 852 Akaike info criterion -0.664 834 Sum squared resid 0.807 485 Schwarz criterion -0.327 058 Log likelihood 21.29 668 F-statistic 21.41 047 Durbin-Watson stat 2.171 018 Prob (F-statistic) 0.0

Уравнение опять получилось значимо, следует исключить переменную х5, так как у нее минимальное наблюдаемое значение.

4.

Variable Coefficient Std. Error t-Statistic Prob. C 0.493 765 0.907 472 0.544 110 0.5900 LOG (X2) 0.614 198 0.284 769 2.156 832 0.0384 LOG (X3) 0.471 393 0.147 235 3.201 648 0.0030 X4 0.143 270 0.65 481 2.187 953 0.0359 X6 -0.185 776 0.62 897 -2.953 659 0.0058 X7 -0.28 974 0.69 581 -0.416 401 0.6798 X9 0.531 116 0.124 447 4.267 821 0.0002 R-squared 0.823 503 Mean dependent var 3.852 516 Adjusted R-squared 0.791 412 S.D. dependent var 0.343 040 S.E. of regression 0.156 671 Akaike info criterion -0.711 709 Sum squared resid 0.810 012 Schwarz criterion -0.416 155 Log likelihood 21.23 418 F-statistic 25.66 194 Durbin-Watson stat 2.145 140 Prob (F-statistic) 0.0

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 0.448 700 0.889 976 0.504 171 0.6174 LOG (X2) 0.619 576 0.280 996 2.204 927 0.0343 LOG (X3) 0.475 412 0.145 121 3.275 971 0.0024 X4 0.158 249 0.54 046 2.928 065 0.0060 X6 -0.181 069 0.61 116 -2.962 710 0.0055 X9 0.537 265 0.122 056 4.401 780 0.0001 R-squared 0.822 575 Mean dependent var 3.852 516 Adjusted R-squared 0.796 483 S.D. dependent var 0.343 040 S.E. of regression 0.154 755 Akaike info criterion -0.756 468 Sum squared resid 0.814 268 Schwarz criterion -0.503 136 Log likelihood 21.12 937 F-statistic 31.52 611 Durbin-Watson stat 2.103 604 Prob (F-statistic) 0.0

Уравнение опять получилось значимо, из коэффициентов регрессии значимы все.

Тест на гетероскедастичность.

White Heteroskedasticity Test: F-statistic 0.333 967 Probability 0.932 441 Obs*R-squared 2.723 266 Probability 0.909 369 Test Equation: Dependent Variable: RESID² 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 0.424 236 6.417 326 0.66 108 0.9477 LOG (X2) -0.256 084 3.403 141 -0.75 249 0.9405 (LOG (X2))^2 0.41 329 0.443 525 0.93 183 0.9263 LOG (X3) 0.2 642 0.522 683 0.5 056 0.9960 (LOG (X3))^2 -0.7 693 0.127 866 -0.60 161 0.9524 X4 -0.18 757 0.20 407 -0.919 140 0.3649 X6 0.11 437 0.20 683 0.552 998 0.5841 X9 -0.14 257 0.48 498 -0.293 973 0.7707 R-squared 0.68 082 Mean dependent var 0.20 357 Adjusted R-squared -0.135 775 S.D. dependent var 0.48 604 S.E. of regression 0.51 798 Akaike info criterion -2.906 067 Sum squared resid 0.85 858 Schwarz criterion -2.568 291 Log likelihood 66.12 135 F-statistic 0.333 967 Durbin-Watson stat 2.1 662 Prob (F-statistic) 0.932 441

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.

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, 1996 г. 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 Социальноэкономическая статистика.

Под ред. Назарова М. М — М.: Экономика, 2000 г. 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