SZAKDOLGOZAT

Nyerges Márk
2018
1
Budapesti Corvinus Egyetem
Gazdálkodástudományi Kar
Befektetések és Vállalati Pénzügyek Tanszék

A budapesti lakásárak előrejelzése 2020-ig,

gazdasági mutatók alapján

Készítette: Nyerges Márk

Pénzügy és Számvitel Szak
Pénzügy Specializáció
2018

Szakszemináriumvezető: Fazakas Gergely

2
I. számú melléklet
NYILATKOZAT SAJÁT MUNKÁRÓL

Név: Nyerges Márk

E-mail cím: marko.nyerges@gmail.com
NEPTUN kód: A3UHPG
A szakdolgozat címe magyarul: A budapesti lakásárak előrejelzése 2020-ig, gazdasági mutatók
alapján
A szakdolgozat címe angolul: The prediction of housing prices in Budapest by 2020, based on
economic indicators
Szakszeminárium-vezető (vagy konzulens) neve: Fazakas Gergely

„Én, Nyerges Márk teljes felelősségem tudatában kijelentem, hogy a jelen szakdolgozatban szereplő
minden szövegrész, ábra és táblázat – az előírt szabályoknak megfelelően hivatkozott részek
kivételével – eredeti és kizárólag a saját munkám eredménye, más dokumentumra vagy
közreműködőre nem támaszkodik.”

Budapest, 2018. október 18.

__________________________
hallgató aláírása

TÉMAVEZETŐI NYILATKOZAT

Alulírott, Fazakas Gergely konzulens kijelentem,

hogy a fent megjelölt hallgató fentiek szerinti szakdolgozata (egyetemi/ mesterképzésben
diplomamunkája) benyújtásra alkalmas és védésre ajánlom.
Budapest, 2018. október 18.

…………………………………….
(a konzulens aláírása)

3
II. számú melléklet

NYILATKOZAT
A SZAKDOLGOZAT NYILVÁNOSSÁGÁRÓL

Név (nyomtatott betűvel): Nyerges Márk

Alapszak, szak neve: Pénzügy és Számvitel
Mesterszak, szak neve: -
Egyetemi képzés, szak neve: -
Szakirányú továbbképzés, képzés neve: -
Egyéb képzés neve: -

Dolgozatom elektronikus változatának (pdf dokumentum, a megtekintés, a mentés és a

nyomtatás engedélyezett, szerkesztés nem) nyilvánosságáról az alábbi lehetőségek közül
kiválasztott hozzáférési szabályzat szerint rendelkezem.

TELJES NYILVÁNOSSÁGGAL
A könyvtári honlapon keresztül elérhető a Szakdolgozatok/TDK adatbázisban
(http://szd.lib.uni-corvinus.hu/), a világháló bármely pontjáról hozzáférhető, fentebb
jellemzett pdf dokumentum formájában.

KORLÁTOZOTT NYILVÁNOSSÁGGAL
A könyvtári honlapon keresztül elérhető a Szakdolgozatok/TDK adatbázisban
(http://szd.lib.uni-corvinus.hu/), a kizárólag a Budapesti Corvinus Egyetem területéről
hozzáférhető, fentebb jellemzett pdf dokumentum formájában.

NEM NYILVÁNOS
A dolgozat a BCE Központi Könyvtárának nyilvántartásában semmilyen formában
(bibliográfiai leírás vagy teljes szöveges változat) nem szerepel.

Budapest, 2018. október 18.

………………………………………
…
a hallgató (szerző) aláírása

4
Tartalom
1. Bevezető .......................................................................................................................................... 6
2. Elméleti felvezetés .......................................................................................................................... 8
2.1. Ingatlanpiac .............................................................................................................................. 8
2.1.1. Az ingatlan fogalma ........................................................................................................... 8
2.1.2. A piac ................................................................................................................................. 9
2.1.3. Az ingatlanpiac sajátosságai ............................................................................................ 10
2.1.4. Az ingatlanpiac szereplői ................................................................................................. 11
2.1.5. Az ingatlan értékbecslés folyamata ................................................................................ 13
2.1.6. Budapesti lakáspiaci adatok ............................................................................................ 16
2.1.7. A lakáspiacot befolyásoló makrogazdasági tényezők ..................................................... 17
3. Módszertani felvezetés ................................................................................................................ 20
3.1. Empirikus vizsgálat, regressziós modell ................................................................................. 20
3.2. Adatgyűjtés ............................................................................................................................ 22
3.3. Regressziós elemzés ............................................................................................................... 23
3.4. Előrejelzés .............................................................................................................................. 24
3.5. Megbízhatóság vizsgálata ...................................................................................................... 25
3.6. Interjú a modell végén ........................................................................................................... 25
4. A gyakorlati probléma elemzése .................................................................................................. 26
4.1. Az eredményváltozó............................................................................................................... 26
4.2. Magyarázóváltozók ................................................................................................................ 27
4.2.1. Interjú Incze Zsomborral ................................................................................................. 28
4.2.2. A lakáspiaci árakkal legjobban korreláló mutatók .......................................................... 29
4.3. A legjobb modell .................................................................................................................... 30
4.4. Lakásárprognózis .................................................................................................................... 31
4.5. A modell megbízhatóságának vizsgálata................................................................................ 33
4.6. Interjú Peter Jonas-szal, a modell értékelése ........................................................................ 34
5. Összefoglalás ................................................................................................................................ 36
Irodalomjegyzék ................................................................................................................................ 38
Ábrák forrásjegyzéke:........................................................................................................................ 39

5
1. Bevezető

Az ingatlanok és az ingatlanbefektetések sokak fantáziáját mozgatják, így az enyémet

is. A téma mindenki számára ismert, a társadalom minden tagja kapcsolatba kerül a
ingatlanpiaccal valamilyen okból. Lehet szó albérletről, új lakás vásárlásáról, öröklésről
vagy ingatlanbefektetésről. Kézzel fogható értéket képviselnek, nagy hozamot ígérnek és
akár saját célra is használhatóak.

2018 harmadik negyedévében, amikor az Egyéves Magyar Állampapír hozama évi

2,50% (www.allampapir.hu), az újonnan elhelyezett lakossági betétek kamata a nullához
konvergál és a legnagyobb lakossági pénzpiaci alapok hozama is túlnyomóan 0,5% éves
hozam alatt van, a befektetni vágyók alternatívákat keresnek, és egy ilyen felmerülő
befektetési lehetőség az ingatlanvásárlás.

A befektetők az elmúlt három és fél évben kimagasló profitot tudtak realizálni az

ingatlanbefektetések után. Hasonlóan a részvényekhez, az ingatlanoknak is van pillanatnyi
értéke, amely az említett időszakban, Budapesten, fokozott ütemben és konstans módon
emelkedett, átlagosan évi 20%-al. Ezt mutatja a következő ábra, az 1. ábra, amely a
budapesti lakóingatlanok átlagos reál árát szemlélteti. Az áremelkedésen túl az ingatlan
hasznosításával, például bérbe adással, plusz profit érhető el.

Budapesti lakóingatlanok átlagos reál ára

700000
600000
500000
400000
300000
200000
100000
0
2005-05

2013-06
2002-04
2003-02
2003-11
2004-08

2006-02
2006-11
2007-08
2008-06
2009-03
2009-12
2010-09
2011-12
2012-09

2014-05
2015-02
2015-11
2016-08
2017-05
2018-02

1. ábra: Budapesti lakóingatlanok átlagos reál ára, forrás:

https://www.ingatlannet.hu/statisztika/Budapest, letöltve 2018.09.12.

6
 A dolgozatomban arra a kérdésre keresem a választ, hogy hogyan fog alakulni a
budapesti lakások átlagos ára a következő három évben, azaz 2018, 2019 és 2020 év végi
adatokat szeretnék kapni és egy előrejelzéssel kiegészíteni az 1. ábrán látható diagramot.

Célom tehát egy megbízható előrejelzés, egy lakásárprognózis készítése. A

megvalósításhoz fundamentális elemzést készítek, gazdasági mutatók és a lakásárak között
keresek összefüggést, és a mutatókról rendelkezésre álló előrejelzések segítségével
becsülöm meg az árak éves várható emelkedését.

Az elemzést egy elméleti felvezetéssel kezdem, amely az ingatlanpiacról nyújt

információt, valamint az elemzés elméleti háttereként szolgál. Definiálom külön az ingatlan
és a piac fogalmát. Bemutatom az ingatlanpiac sajátosságait és szereplőit, utóbbit ábrával is
szemléltetve. Folytatásként írok az ingatlanok értékbecslési folyamatairól, hogy az árak
mögötti tartalom közelebb kerülhessen az olvasóhoz, bemutatom a piaci összehasonlító, a
jövedelemalapú és a költségalapú módszert. A következő fejezetben már célzottan a
budapesti lakásokra koncentrálok és a budapesti lakáspiacról mutatok adatokat. A fejezet
végén pedig a lakáspiacot befolyásoló makrogazdasági tényezőkről írok, az MNB
Lakáspiaci jelentésének tükrében.

Az elméleti felvezetés után bemutatom az elemzés módszertanát. Kifejtem, hogy

milyen elemzési módszert választottam, miért ezt, és hogy miként tervezem megvalósítani.
Bemutatom, hogy hogyan tervezek a választott modellhez adatokat gyűjteni, ez alapján
hogyan születik előrejelzés, és hogy ezen folyamatokat miként tervezem interjúkkal
támogatni.

A következő fejezetben megvalósítom a módszertani részben leírtakat, dokumentálom,

hogy miként sikerült a terveket megvalósítani. Ebben a fejezetben olvasható a gyakorlati
probléma tényleges elemzése. A modell megmutatja több gazdasági mutató korrelációját a
budapesti lakásárak változásával, és előrejelzi 2020-ig a lakásárakat. A modellen kívül két
interjú is található a fejezetben, amelyeket két lakáspiaci szakértővel készítettem, a modell
létrehozása előtt és után.

A dolgozat végén pedig az összegzés olvasható, amely tömören összefoglalja a kapott

eredményeket, konkrét adatokat és előrejelzéseket tartalmaz és további érdekes kérdéseket
vet fel a témával kapcsolatban.

7
2. Elméleti felvezetés

2.1. Ingatlanpiac

2.1.1. Az ingatlan fogalma

Az ingatlan hétköznapi fogalma a legtöbb ember számára nem idegen. A mindennapos

használatban általában a földterületeket, épületeket, lakásokat értünk alatta. Jelen esetben a
fogalom jogi meghatározása sem tér el kritikusan a köztudatban elő definíciótól. A
számviteli törvény 2000.évi C. törvény 26. § (2) bekezdése felsorolja azokat az anyagi
eszközöket, amelyek az ingatlanok közé sorolandóak. „Eszerint az ingatlanok között kell
kimutatni a rendeltetésszerűen használatba vett földterületet, és minden olyan anyagi
eszközt, amelyet a földdel tartós kapcsolatban létesítettek. Az ingatlanok közé sorolandók:
a földterületek, a telek, a telkesítés, az épület, az épületrész, az egyéb építmény, az
üzemkörön kívüli ingatlan, illetve ezek tulajdoni hányada, továbbá az ingatlanokhoz
kapcsolódó vagyoni értékű jogok, függetlenül attól, hogy azokat vásárolták, vagy a
vállalkozó állította elő, illetve azok saját tulajdonú vagy bérelt ingatlanon valósultak meg.”
(Csűri – Darák – Hidasi – Kovács – Zámbó, 2004, 20. old.) Magánjogi jogviszonyban a
Ptk. alapján is meghatározhatjuk az ingatlan fogalmát, a 95. § szerint az ingatlan a
tulajdonjog egy lehetséges tárgya, és olyan birtokba vehető dolog, amelynek tulajdonjoga
kiterjed a vele egyesített alkotó részre. A Ptk. ingatlanként a földről és az épületről tesz
említést, és elsősorban ezek kapcsolatát szabályozza.

A közgazdaságtudomány is meghatározza az ingatlan fogalmát. Eszerint „ingatlan

(bond, fixed, real, immoveable thing) a gazdasági javak közül a legszűkösebb erőforrások
egyike, mindenekelőtt a föld, ezen belül a termőföld. Ingatlan minden, ami a földdel
tartósan egybe van építve, illetve ami a föld mélyében van (bányaingatlan). Nem ingatlan a
folyó, a tó, a tenger és ezek vízzel fedett földrészletei. Olyan gazdasági erőforrás a föld,
amely nem, vagy csak a természet károsításával növelhető.” (Takács, 1990, 217.old.)

Az ingatlan definíciójának szerves része a megelőző fejezetben említetett földrészlet

fogalma. Az 1997. évi CXLI. törvény szerint a földrészlet szó az ingatlan nyilvántartásban
a föld felszínének természetben összefüggő, közigazgatási vagy belterületi határ által meg

8
nem szakított területe, amelynek minden részén azonosak a tulajdoni vagy a vagyonkezelői
(kezelési) viszonyok.

2.1.2. A piac

A piac fogalmát legegyszerűbb egy példa segítségével szemléltetni. Képzeljük el, hogy
egy gazda zöldséget árul egy budapesti piacon, amely minden reggel 6 órától fogadja a
vásárolni vágyókat. A piacon összesen húsz kereskedő foglalkozik
zöldségkereskedelemmel, így mindent meg kell tenniük, hogy a piacra betérő vásárló ne a
konkurencia nagyon hasonló termékét válassza, hanem az övét. A gazda így minden órában
körbesétál az árusok között és felméri, hogy versenytársai milyen áron milyen minőséget
kínálnak. Tapasztalt kereskedőként tudja, hogy a vásárlók túlnyomó többsége tudatosan
vásárol, körbesétálnak ők is, összehasonlítják az árakat és szemügyre veszik a minőséget. A
gazda ezért a gyümölcsök árázásánál minden nap minden órájában figyel rá, hogy kellő
mennyiségű vásárló válassza az ő termékét, ezzel garantálva az üzlete sikerességét.

A példán keresztül a hétköznapi piac következő tulajdonságai ismerhetőek meg:

 Piac: A hely, ahol a vásárlók és az eladók találkoznak azzal az indokkal, hogy

javakat vegyenek vagy adjanak el.
 Több eladó egymással versenyzik.
 A vevőknek rendelkezésre áll információ ahhoz, hogy tudatos döntést hozzanak
arról, hogy milyen áron milyen minőséget tudnak venni.
 A vevőknek lehetősége van összehasonlítást végezni az eladók között.
 Az eladók látják, hogy versenytársaik miként viselkednek, milyen árakat
alkalmaznak, és ez alapján tudnak dönteni. (King, 2009)

A piac tehát „valamely jószágnak vagy szolgáltatásnak azokból a tényleges és potenciális

vevőiből és eladóiból tevődik össze, akik csere céljából kerülnek egymással kapcsolatba.”
(Hunyadi 1989, 56. o.)

Chikán (2008) ír a keresleti-kínálati viszonyokról, a nyomásos és a szívásos piacról. Az

ingatlanpiac elemzésénél, árprognózisnál, kiemelt szerepet kap az a tény, hogy a
makroökonómiában tárgyalt egyensúlyi piac a valóságban csak nagyon ritkán, vagy rövid
időre jöhet létre. A piacokon jellemzően túlkereslet vagy túlkínálat alakul ki, azaz a kereslet

9
és a kínálat nem egyezik meg, az egyik meghaladja a másikat. Az olyan piacot, ahol a
kereslet rendszeresen meghaladja a kínálatot, szívásos vagy hiánypiacnak nevezzük. Ebben
az esetben az eladók kényelmes magatartást mutatnak, és a vevők versenyeznek az
árucikkekért. Ez az állapot az árak emelkedésével jár és általában a minőség romlásával.
Ellenkező eset a vevői piac, vagy más néven nyomásos piac, mikor a kínálat meghaladja a
keresletet, így az eladók versenyezni kényszerülnek a vevőkért. A szolgáltatás minőségének
növelésével, illetve árengedményekkel igyekeznek minél tökéletesebben kiszolgálni a
vevőket.

2.1.3. Az ingatlanpiac sajátosságai

A megelőző fejezetben bemutattam egy leegyszerűsített piacot, amely közel

hatékonyan tud működni a hasonló árucikkek, a vevők és eladók megfelelő informáltsága
és a kevés belépési korlát miatt. Az ingatlanpiac a gyakorlatban azonban az egyik
legkevésbé hatékony piac a következő okok miatt:

Az első ok a piaci szereplők hiányos ismerete a piacról. A kereskedelmet gyakran olyan

magánszemélyek végzik, akik sosem foglalkoztak ezzel a szakterülettel, de mégis piaci
szereplővé válnak. Kínálati oldalon gyakori, hogy öröklés útján valaki tulajdonossá válik és
el kívánja adni a lakást. Szakértőt azonban nem szívesen von be a magas költségek, vagy
akár az interneten elérhető ingyenes ingatlan hirdető oldalak szolgáltatásai miatt. Az
ellenkező oldalon, a keresleti oldalon is gyakori a megfelelő piaci tudással nem rendelkező
vásárló, aki nem tudja felmérni az ingatlan műszaki állapotát.

A következő ok, amely miatt az ingatlanpiac nem hatékony, az hogy minden telek, épület
és lakás egyedi jellegű. Az ingatlanok „minősége” nehezen határozható meg. Számít a
műszaki állapotuk, elhelyezkedésük, méretük és a listát mindig lesz, aki bővítse. Gyakori,
hogy akár egy épületben lévő két lakás sem azonos értékű, az emeletek száma vagy a
kilátás miatt. A vásárlóknak tehát sok időt kell fordítaniuk az információk begyűjtésére,
hosszú idő mire megalapozott döntést lehet hozni és aláírható egy szerződés.

A harmadik ok az épületekhez és lakásokhoz való gazdaságilag irracionális kötödés,

személyes ragaszkodás. Egy hatékony piacon, például egy értéktőzsdén, ha a kereslet
növekedése miatt emelkednek az árak, akkor a kínálat is növekedni fog, hiszen profit elérés
céljából lesznek, akik eladnak az új, magasabb árfolyamon. Az ingatlanpiacon azonban

10
számolni kell azzal a faktorral, hogy a tulajdonosok, még ha magas profitot is
realizálhatnának, akkor sem adják el a család által évtizedek óta birtokolt ingatlanjukat.

A következő, negyedik, ok az építőipar lassú reagálása a kereslet változására. A kereslet

változására nem csak a lakástulajdonosok, de az építőipar is csak lassan tud reagálni, egy
harminc lakásos társasház felépítése például évekig tart (fm-epulettervezes.hu). Csak a
tervek és az engedélyezési dokumentációk elkészítése átlagosan 3-4 hónapot igényel. A
tervek engedélyezése után a kivitelezés 1-1,5 év, így a reagálási idő akár két év. (Soós,
2002)

2.1.4. Az ingatlanpiac szereplői

Az elemzésnél kiderül, hogy a vevőkön és eladókon kívül még sok tényezőre van
szükség, hogy az ingatlanpiac valójában működni tudjon. Ezen szereplőket a következő
ábra rendszerezi:

2.ábra: Ingatlanpiac keresleti kínálati oldala (Soós 2002, 353. old.)

Az ábrán látszik, hogy, bár a piac sajátosságai miatt Soós a kereslet és kínálati oldalt
mutatja be két fő csoportként, fontos a harmadik csoport, a piac aktív szereplői, amely
katalizátorszerepet játszik. A harmadik csoport szükségessége látszik a szereplők

11
sokaságából is, kiemelt szerepet kapnak a szakemberek, mint a tanácsadók, ügyvédek,
ügynökségek és a pénzintézetek.

A katalizátor-szereplők közül érdemes kiemelni az ingatlanügynökségeket, hiszen

alapvetően ők biztosítjákják a csatornát az eladók és a vevők között. Az ügynökségek
általában adatbázisokat kezelnek az eladó ingatlanokról, amelyekből a szűrések
segítségével kiválaszthatóak a vásárló számára releváns lehetőségek. Az ügynököknek tehát
naprakésznek kell lenniük az ingatlanpiaci trendekkel, az aktuális árakkal, az eladó lakások
tulajdonosainak elérhetőségével, hogy így megkönnyítsék az adás-vételek gyors lezajlását.

Érdemes továbbá két csoportba sorolni az ingatlanpiac részvevőt, akár vevőként, akár
eladóként vannak jelen:

 Lakó
 Befektető

„A lakók, ill. felhasználók a földet, ingatlant mint fogyasztási javat (ház, garázs, üdülő stb.)
vagy mint termelési tényezőt (termőföld, üzlet, műhely, iroda stb.) használják. Az
ingatlanok mint fogyasztási javak, hasznukkal közvetlenül hozzájárulnak a jólét
emeléséhez, az egyéni igények, követelmények, szubjektív megítélések és ízlés szerint.
Mint termelési tényezők, az irántuk mutatkozó kereslet levezethető a közreműködésükkel
előállítható termékekből.” (Soós, 2002, 351. old.)

A befektetők azonban általában az ingatlanból származó folyamatos bevétel realizálásában

és az ingatlan értékének emelkedésében lehetnek érdekeltek. A befektető gyakorlatilag
jövőbeli jövedelmeket vásárol, melyeket folyamatosan, vagy egy későbbi időpontban
realizálhat. „Döntésében a várható jövedelmek értékét a lehető legpontosabban igyekszik
meghatározni, de tekintettel arra, hogy mindez csak a jövőben várható, döntése becsléseken
alapszik és kockázatokkal jár.” (Soós, 2002, 357. old.)

A befektetők számára folyamatos bevételt garantáló szereplők a bérlők, akik rövid vagy
hosszú távon az ingatlant használják bérleti díj ellenében. A felek között bérleti szerződés
áll fent általában, amely garantálja mindkét fél számára a hosszú távú biztonságot, a
tulajdonos számára a bevételt, a bérlő számára pedig az ingatlan használati jogát.

12
2.1.5. Az ingatlan értékbecslés folyamata

Az ingatlanpiacnak, mint a legtöbb piacnak, elengedhetetlen koordináló tényezője az

ár. Az ár, mely a vásárlók számára választ ad a kérdésre, hogy meg tudnak-e venni egy
ingatlant, vagy az túl drágának bizonyul. Sowell (2007) azonban kiemeli, hogy míg sokan
úgy vélik, hogy a magas ár miatt nem tudnak budapesti Duna-parti lakást venni,
közgazdasági szempontból a lakások limitált száma ennek az oka, vagyis egyszerűen nem
lakhat mindenki a vízparton. A dolgozat folyamán több tényezőt be fogok mutatni, melyek
az ingatlanpiac árait általánosságban befolyásolják, ebben a fejezetben pedig azt, hogy
milyen lehetőségek vannak egy adott ingatlan értékének megbecslésére.

A három értékbecslési módszer (Dr. Kiss, 2007):

 Piaci összehasonlító adatok elemzésén alapuló értékelés

 Hozamszámításon alapuló értékelési módszer
 Költségalapú módszer

A piaci összehasonlító módszer, hasonlóan a vállalatértékeléshez, a piacon már

megtörtént és ismert tranzakciók, adásvételek, a vizsgált esetre való kiterjesztését és
összehasonlítását jelenti.

Kezdő lépésként meg kell határozni egy „peer group”-ot, azaz összehasonlító alaphalmazt,
melyben hasonló paraméterű ingatlanok vannak, mint a vizsgált ingatlan. Ilyen paraméter
lehet a földrajzi elhelyezkedés, az ingatlan típusa, állapota és akár a megközelíthetősége.
Az ingatlanok esetében kimagaslóan összetett feladat a peer group megfelelő összeállítása,
mivel minden ingatlan egyedi. Az alaphalmaz meghatározása során az adatok átlagától
jelentősen eltérő szélső értékeket figyelmen kívül kell hagyni.

Második lépésként elemezni kell az összehasonlításra alkalmasnak talált ingatlanokat. Meg

kell ismerni az összehasonlítás alapjául szolgáló ismérveket, és ezeket a tárgyi ingatlanhoz
mérni.

Harmadik lépés a fajlagos alapérték, többnyire négyzetméterár, meghatározása. Az

összehasonlított adatokból kell az alapértéket meghatározni, általában négyzetméterre
vetítve, de esetenként más mérőszám is alkalmazható.

13
Az utolsó lépés ahhoz, hogy a vizsgált ingatlan értéke a lehető legpontosabb legyen, az
értékmódosító tényezők elemzése. Értékmódosító tényezőként olyan információk vehetők
fel, amely az összehasonlító alaphalmazra nem egységesen jellemző. Ilyen tényezők
csoportosítva lehetnek: műszaki szempontok, építészeti szempontok, telekadottságok,
infrastruktúra, környezeti szempontok, alternatív hasznosítás szempontjai, jogi szempontok.

A hozamszámításon alapuló értékelés, vagy más néven jövedelemalapú módszer azt

mutatja meg, hogy az ingatlanba fektetetett tőke a jövőben milyen hasznokat fog garantálni
a tulajdonosnak. Az érték levezetése során a jövőbeli bevételek és ezek megszerzése
érdekében felmerült kiadások különbségét számítjuk ki.

A jövedelemalapú módszer szerint az ingatlan értékbecslését a lehetséges használati módok

elemzésével kell kezdeni. Ilyen lehetséges használati mód például termőföld esetén a
mezőgazdasági tevékenység, lakóházi lakás vagy irodaház esetén a bérbeadás.

Ezek után a használati módok bevételeinek és kiadásainak becslése következik. Hasonlóan

az előző módszerhez, itt is sokszor a piaci adatokra kell hagyatkozni az
ingatlanhasznosításból származó rendszeres bevételek becsléséhez.

Miután rendelkezünk a jövőbeli bevételek és kiadások becsült adataival, meg tudjuk

határozni az ingatlan jelenértékét. A jelenérték számításhoz diszkontált cash flow analízist
érdemes használni, amely képes figyelembe venni az időt, mint tényezőt. A DCF módszer
általános képlete a következő:

𝐶𝐹1 𝐶𝐹2 𝐶𝐹3 𝐶𝐹n

𝑃𝑉 = + + + ⋯ +
1 + 𝑌 (1 + 𝑌)2 (1 + 𝑌)3 (1 + 𝑌)𝑛

Ahol:
PV (Present Value) = jelenérték

CFn (Cash Flow) = az adott időszakban befolyó pénzáramok egyenlege

Y (Yield) ráta = az adott időszakra vonatkozó hozam vagy kamatláb

Ingatlanok értékbecslésénél ezt a képletet kis átalakítás után kiválóan lehet használni. Egy
tízéves időszak alatt például, amikor a tulajdonos kilenc éven át realizál bevételt, majd a
tizedik évben értékesíti az ingatlant piaci áron, a következőképpen nézne ki a DCF modell:

14
 𝐶𝐹1 𝐶𝐹2 𝐶𝐹3 𝐶𝐹9 𝐶𝐹10/𝑌B
𝐽𝑒𝑙𝑒𝑛é𝑟𝑡é𝑘 = + + + ⋯+ +
1 + 𝑌A (1 + 𝑌A) 2 (1 + 𝑌A) 3 (1 + 𝑌A) 9 (1 + 𝑌A)10

Ahol:
CF1-től CF9-ig = az első kilenc év pénzáramainak egyenlege
YA = diszkontfaktor 1-10 évre
CF10 = a 10. évben az ingatlan értékesítéséből származó bevétel
YB = a záróév direkt tőkésítési rátája

Az ingatlan értékbecslési lehetőségek közül utolsónak a költségalapú módszer mutatom

be. A megközelítés lényege, hogy a vagyontárgy újra-előállításának, illetve
helyettesítésének költsége alapján állapítja meg az értéket. Ez a módszer veszi legkevésbé
figyelembe a tényleges piaci viszonyokat. Leginkább építés alatt álló vagy károsodott
létesítmények esetében alkalmazható, ha másik módszer nem áll rendelkezésre.

A gyakorlatban először a földterületek, majd az építmények értékét határozzák meg,

figyelembe véve az amortizációt. A földterület értékének meghatározásához a piaci
módszert célszerű használni, lásd a fejezet elején. Az építmények újraelőállítási költsége
építési vállalkozók és kivitelezőkkel folytatott tárgyalások és ajánlat kérések alapján
becsülhető meg. Végül az amortizáció megállapításánál három formát kell figyelembe
venni: a fizikai, a gazdasági és a funkcionális avulást.

Összefoglalva a három értékbecslési módszer lépéseit:

Piaci összehasonlító Jövedelemalapú módszer Költségalapú módszer

1. Alaphalmaz 1. Lehetséges használati 1. Telekérték

kiválasztása módok elemzése meghatározása
2. Összehasonlításra 2. Bevételek és kiadások 2. Felépítmény
alkalmas ingatlanok becslése újraépítési költségének
adatainak elemzése 3. Jelenérték számítás meghatározása
3. Fajlagos alapérték 3. Amortizáció
meghatározása számítása, piaci
4. Értékmódosító viszonyok miatti
tényezők elemzése korrekció

3. ábra: A három értékbecslési módszer összefoglalása, saját táblázat

15
2.1.6. Budapesti lakáspiaci adatok

Fontosnak tartom az elméleti felvezetés végén külön kiemelni a lakóingatlan fogalmát,

tisztázni, hogy a jogalkotó mit tekint lakásnak. Hasonlóan az ingatlan fogalmához, jelen
esetben sincs egységes lakóingatlan fogalom, de több jogszabály is foglalkozik vele.
Legrészletesebben az Ltv. határozza meg a fogalmat, melynek oka, hogy a bérleti
jogviszonyok nagy súllyal bírnak a gazdasági életben.

Az Ltv. 91/A. § 1. pontja alkalmazásában:

1. Lakás az olyan összefüggő helyiségcsoport, amely a

a) helyiségei;

b) közművesítettsége;

c) melegvíz-ellátása; és

d) fűtési módja

alapján valamelyik komfortfokozatba (összkomfortos, komfortos, félkomfortos,

komfort nélküli) sorolható.

Összkomfortos az a lakás, amely rendelkezik legalább 12 négyzetmétert meghaladó

alapterületű lakószobával, főzőhelyiséggel, fürdőhelyiséggel és WC-vel, továbbá
közművesített (villany, víz, csatorna), rendelkezik melegvíz-ellátással és központos fűtési
móddal.

A KSH felmérése (KSH mikrocenzus 2016) szerint 2016-ban a következő ábra szerint
oszlottak meg a budapesti lakások komfortfokozat szerint:

4. ábra: A lakott lakások megoszlása komfortosság szerint, forrás: KSH mikrocenzus 16

Az összkomfortos lakások aránya 1990 óta több mint 25 százalékponttal növekedett, így
2016-ban 75,4% volt. A félkomfortos, komfort nélküli, illetve szükséglakások aránya pedig
csökkent, 2016-ban már csak 2,4%.

A KSH adatain kívül lényeges és naprakész adatokat szolgáltat a Budapesti

Értéktőzsdén Prémium kategóriában is jegyzett Duna House Holding Nyrt. A Duna House
által havonta kibocsátott Duna House Barométer 2018. májusi jelentése szerint a
következőképen alakultak a budai és pesti ingatlanok négyzetméter árai:

Buda m2 (ezer Ft) Pest m2 (ezer Ft)

5. ábra. Buda és Pest lakásárak 2017-2018, forrás: DH-Barométer 2018. május

Az ábrán látszik, hogy Budán és Pesten is jelentősen megnőtt a 600 ezer Ft-ot
meghaladó négyzetméter árú lakások aránya, az előbbi helyen 30%-ról 50%-ra nőtt, míg
Pesten 14%-ról 21%-ra.

2.1.7. A lakáspiacot befolyásoló makrogazdasági tényezők

Az MNB által készített Lakáspiaci jelentés és az FHB által kiadott Lakásárprognózis

2018 tükrében elmondható, hogy a lakáspiac keresleti és kínálati oldalát, és így az árakat,
főként makrogazdasági tényezők befolyásolják. Az MNB a következő tényezőket
azonosítja befolyásoló gazdasági mutatóként:

Keresleti oldalon:

17
 Munkapiac: A munkakereslet növekedése és ezzel párhuzamosan a munkanélküliségi ráta
csökkenése támogatja a háztartások beruházási hajlandóságát, mivel javulnak a hosszú távú
jövedelem kilátások. A beruházási hajlandóság a kereslet növekedésével jár. A
jövedelemkilátásokat a foglalkoztatási rátán túl a reáljövedelem és a minimálbér is alakítja.
A magasabb bérek hasonlóan növelik a beruházási hajlandóságot. Fontos továbbá
figyelembe venni a bérek mellett az aktuális adóterhelést. A következő ábra, a 6. ábra, a
munkanélküliségi és a foglalkozatási ráta alakulását mutatja 2005 és 2017 között.

6. ábra: A munkanélküliségi és foglalkoztatatási ráta alakulás, forrás: MNB

Kamatkörnyezet: A keresleti oldalon megjelenő befektetők viselkedését befolyásolja az

aktuális piaci kamatkörnyezet. Alacsony betéti hozam esetén nő a magasabb hozamot (7.
ábra) ígérő lakások kereslete, míg magasabb betéti hozam esetén csökken. A hitelek kamata
is hasonlóan befolyásoló tényező, az alacsony hitelkamatok több befektetőt vonzanak.

7. ábra: Lakásvásárlásból, az értéknövekedésen keresztül elérhető hozamprémium és a betéti

hozam alakulása az elmúlt időszakban, forrás: MNB
18
Kínálati oldal:

Míg a keresleti oldalon több gazdasági tényező hatása figyelhető meg, addig a piac
kínálati oldala a keresleti hatásokra reagál, általában késleltetve. Természetesen ezen az
oldalon is találunk mérhető befolyásoló tényezőket, de ezen mutatók elsősorban az építési
költségeket és az építés dinamikusságát befolyásolják.

A következő ábrán, 8. ábra, megfigyelhető, hogy az Európai Bizottság által megkérdezett

építőipari vállalatok szerint, melyek az építkezéseket leginkább hátráltató tényezők. A
legfontosabb termelést gátló tényező a munkaerőhiány, mely dinamikusan nőtt az elmúlt
négy évben. Így bár kereslet van, a cégek nem tudják megfelelő ütembe kielégíteni azt.

8.ábra: Az építőipari termelést gátló tényezők, forrás: MNB

Az építőiparban tapasztalt munkaerőhiány is mérhető azonban, és több okkal

magyarázható. A munkaerőhiány 2013-ban kezdődött, az azt megelőző évben nőtt meg a
külföldön, főként Ausztriában és Németországban (index.hu), dolgozó építőipari munkások
száma, amely magyarázatot ad az országban lévő munkás hiányra.

Természetesen több tényező is befolyásolja a piacot, melyet az MNB és FHB nem

vizsgált. Ezen további lehetséges gazdásági mutatókat a dolgozatom 4. fejezetében fogom
korrelációval vizsgálni és bemutatni.

19
3. Módszertani felvezetés

3.1. Empirikus vizsgálat, regressziós modell

A dolgozatban arra a kérdésre keresem a választ, hogy hogyan fognak alakulni a

lakásárak Budapesten 2020-ig. Hogy választ találjak, egy olyan modellt (logikai struktúrát)
tervezek felépíteni, amely gazdasági mutatók empirikus vizsgálata után képes megbízható
előrejelzést adni a budapesti lakásárakra.

Az empirikus vizsgálat lépéseit a következő folyamatábra mutatja:

Közgazdasági elmélet, múltbeli tapasztalat, más tanulmányok

Modellépítés

Adatgyűjtés

A modell becslése

Hipotézis vizsgálat

A modell átalakítása Az eredmények értelmezése

Gazdaságpolitikai döntések Előrejelzés

9. Ábra: Az empirikus vizsgálat lépéseinek folyamatábrája (Ramanathan, 2003, 21. old)

Az elemzés tehát egy közgazdasági elmélettel, illetve más tanulmányokkal indul,

amelyet a modell vizsgálni képes. Jelen esetben ez az elmélet a 2. fejezetben (Elméleti

20
felvezetés) tárgyalt témakör, a gazdasági mutatók és a lakáspiaci árak közötti kapcsolat, a
változók között található összefüggés, korreláció. Egy modellt kell tehát építeni, amely
bizonyos gazdasági mutatók és a lakáspiaci árak kapcsolatának vizsgálatával képes
empirikusan előre jelezni az árak alakulását.

A modellépítést a tervezéssel kell kezdeni, és a tervhez illeszkedő modellt kell találni.

Jelen esetben egyetlen változó viselkedését szeretném vizsgálni, a budapesti lakásárak
alakulását, ezt az értéket nevezzük a modellben eredményváltozónak vagy függő
változónak. Ezek után kiválasztok számos változót, amelyek befolyásolják a függő
változót, ezeket hívjuk független változóknak vagy magyarázóváltozóknak. Ezen független
változók közgazdasági elméletek, múltbeli tapasztalatok és más tanulmányok alapján
választhatóak meg.

Ezek után döntést kell hozni, hogy a változók vizsgálata során idősoros vagy
keresztmetszeti adatokra van szükség. Jelen esetben a függő változó időbeni változásának
okait szeretnénk megmagyarázni, azaz összefüggést keresni a lakásárak évről évre
változása (year over year, YoY), illetve a magyarázóként választott gazdasági mutatók
között. Az idősor konkrétumait, kezdetét, végét az elemzés közben még valószínűleg
pontosítani kell, amennyiben a korrelációk ezt indokolják. Előfordulhat, hogy egy húsz
évre visszamenő idősor a megfelelő, de az is lehetséges, hogy csak egy-két év historikus
adatait érdemes vizsgálni.

Egy eredményváltozóm lesz tehát, több magyarázóváltozóm és ezen adatok idősoros

elemzése. Ezek alapján egy többváltozós lineáris regressziós modell az, amely megfelelő
választásnak tűnik az empirikus elemzés és az előrejelzés elvégzéséhez.

A Microsoft Excel 2013 program segítségével a következőképpen néz ki a modell

sablonja, amelyet meg kell tölteni adatokkal:

10. ábra: Többváltozós regressziós modell sablon, Excel, saját ábra

21
 Az IDŐSZAK oszlopba az évszámok kerülnek annak megfelelően, hogy melyik idősort
választjuk. A FÜGGŐ VÁLTOZÓ oszlopba a budapesti lakásárak YoY változása kerül,
míg a FÜGGETLEN VÁLTOZÓK oszlopaiba azon gazdasági mutatók és értékek YoY
változása vagy abszolút értéke, amelyek elméletben befolyásolhatják a lakáspiaci árakat és
ezért lehetséges magyarázóváltozók a modellben.

A modell általános képlete pedig a következő:

𝑌𝑡 = 𝛽1 + 𝛽2 𝑋𝑡2 + 𝛽3 𝑋𝑡3 + ⋯ + 𝛽𝑘 𝑋𝑡𝑘 + 𝑢𝑡

Ahol Y és Xi-k rendre a függő és független változók t-edik időszaki megfigyelései (t

=1-től n-ig). βi-k a regressziós együtthatók és ut a reziduális érték.

3.2. Adatgyűjtés

Miután kiválasztásra került az előzetesen megfelelőnek vélt modell, meg kell keresni a
szükséges adatokat, amelyek a modellt alkotni fogják. Az 10. ábra látható sablon és a
modell általános képlete alapján két fő kategóriába keresünk adatokat. Szükség van a függő
változó idősoros értékére, azaz a budapesti lakásárak historikus fajlagos áraira, valamint a
független változók megfelelő megválasztása után ezen mutatók múltbeli értékeire is.

A historikus adatokon túl a független változóknál azonban megbízható forrásból

származó előrejelzésre is szükség van. A lakásárak előrejelzése ugyanis feltételes
előrejelzés, azaz a függő változót azon feltételezés mellett jelezzük előre, hogy a független
változók bizonyos értékekkel rendelkeznek.

A budapesti lakásárak több évre visszamenő adatai ingatlanközvetítő portálokon

érhetőek el. Ezen portálok közül kell kiválasztani a legmegfelelőbbnek tűnő
adatszolgáltatót, és azon adatokkal lehet számolni, mint eredményváltozók.

A magyarázóváltozók historikus adatai, mint a GDP vagy munkanélküliségi mutató,

több hivatalos forrásból is elérhetőek. Fontos forrása ezen mutatóknak a Központi
Statisztikai Hivatal, illetve a Magyar Nemzeti Bank.

A magyarázóváltozókra vonatkozó előrejelzések összegyűjtése azonban összetett

feladat. A előző bekezdésben említett KSH és MNB ugyanis nem szolgáltatnak a modellbe
megfelelő időtávú jövőbeli adatokat. Olyan mutatókra, mint az USDHUF árfolyam vagy a

22
minimálbér, nem, vagy csak nehezen érhetőek el hivatalos előrejelzések, ezért a privát
szektorban kell olyan társaságokat találni, melyek megbízhatónak mondható
előrejelzésekkel rendelkeznek. Ilyen privát szektori adatforrás lehet:

 Bloomberg Terminal
 Thomson Reuters, Eikon Financial Analysis
 Trading Economics

Ezen társaságok általában több pénzintézet előrejelzésének veszik a súlyozott átlagát és

szolgáltatnak ilyen módon adatokat.

A források megválasztásakor személyes interjút készítek Incze Zsomborral, az FHB

Lakásárindex projekt menedzserével. Az ő nevére az FHB Lakásárprognózis 2018 végén
akadtam. Véleményem szerint mint a lakáspiac szakértője, segítségemre tud lenni a
források kiválasztásában, magyarázóváltozók választásában, illetve fontos a véleménye a
választott modell alkalmasságáról.

3.3. Regressziós elemzés

Mielőtt az adatokat ténylegesen felhasználjuk a modellben, fontos, hogy legyen egy

előzetes ellenőrzés és kiszűrjük az extrém értékeket (outliner), illetve gépelési hibákat a
letöltött adatokból. Az extrém értékek keresésében a grafikonos ábrázolás segítséget tud
nyújtani, a diagramokon jól látszanak a kiugró adatok.

Az elemzés a következő lépésekből áll:

1. Változók tesztelése korrelációval.

2. Azon változóknál, ahol magas a korreláció:
Regresszió egyenként: szignifikancia vizsgálat kétváltozós regresszióval.
3. A legjobb modell kiépítése a szignifikáns magyarázó változókból többváltozós
regresszió felírásával.
4. A regressziós egyenlet paraméterei alapján a lakásárak várható alakulásának
becslése.

Az összegyűjtött magyarázóváltozók relevanciáját a lakásárakkal való korrelációval

vizsgáljuk. A modellbe 0,65-nél erősebb magyarázó hatású változókat keresek. Az elemzés
ezen pontján érdemes döntést hozni, hogy az idősorokat érdemes-e egy-két évvel, az
23
eredményváltozóhoz képest, elcsúsztatni. Erre szükség lehet, mivel több esetben
megfigyelhető, hogy a lakásárak, csak egy-két éves késéssel tudják lekövetni az általános
gazdasági mutatókat.

Itt érdemes kirakni a modellből azokat a mutatókat, melyeknél nem figyelhető meg
összefüggés az eredményváltozóval. Ramanathan (2003) szerint lehetséges azonban, hogy
néhány gazdasági mutatónál, például a munkanélküliség adatánál, nagyon gyenge
korreláció figyelhető meg a függő változóval, mégis érdemes megtartani a modellben, mert
elfogadottan fontos mutató a szektorral kapcsolatban.

A kritériumnak megfelelő erősségű korrelációval rendelkező magyarázóváltozókat

ezek után egyesével vizsgáljuk, szignifikancia mérésével. Ez egy kétváltozós regressziós
elemzéssel lehetséges, R-négyzet és p-érték vizsgálatával.

A magyarázóváltozókat a sablon alapján táblázatba kell rendezni, így tudja az Excel

megfelelően elvégezni a regressziós analízist. Az eredményváltozó YoY adatait kell a
táblázatba betölteni, a magyarázóváltozóknál is hasonlóképpen kell eljárni, de itt néhány
mutatónál döntést kell hozni, hogy érdemesebb-e magát az abszolút értéket használni.
Például míg a GDP-nél az adatgyűjtésnél volumen számot találunk és ezt kell YoY sorrá
alakítani, addig a százalékos mutatóknál, mint például az alapkamat, érdemesebb lehet a
modellben ezzel a százalékos adattal számolni YoY adat helyett.

A szignifikánsnak mondható magyarázóváltozókból ezek után többváltozós regresszió

segítségével megkeressük a legjobb modellt. Ez az R-négyzet és a p-érték vizsgálatával
lehetséges. Fontos, hogy a modell nem minden esetben jobb attól, ha több változót
tartalmaz. Ha a magyarázó változók nem függetlenek egymástól, és minél több ilyet
tartalmaz a modell, az rontja a kimenetet.

3.4. Előrejelzés

Miután a modell megfelelőnek talált, az Excel által számolt, független változókhoz

tartozó koefficienseket az általános képletbe helyettesítve, kiszámolható az előrejelzés a
lakásárakra a 2018-2020-as időszakra.

𝑌𝑡 = 𝛽1 + 𝛽2 𝑋𝑡2 + 𝛽3 𝑋𝑡3 + ⋯ + 𝛽𝑘 𝑋𝑡𝑘

24
A 2020-as budapesti lakásárak előrejelzéséhez tehát a képletben Yt lesz a keresett érték,
azaz a lakásárak YoY növekedése, β1 a tengelymetszet, Xt2 és β1 rendre az első
magyarázóváltozó 2020-as értéke és a hozzá tartozó koefficiens, az egyenlet többi tagja
pedig a többi magyarázóváltozó. Feltétel tehát az előrejelzéshez, hogy rendelkezzünk 2020-
as adatokkal a magyarázó gazdasági mutatókról.

3.5. Megbízhatóság vizsgálata

Az előrejelzés elkészítése után fontos elemezni a modell megbízhatóságát, értékelni

kell a kapott eredményeket. Regressziós modelleknél nagy az eszköztára az értékelésnek,
hipotézisvizsgálattal tesztelhető, hogy az egyedi együtthatók (βi-k) szignifikánsan
különböznek-e nullától. A p-értéket számolva is le lehet vonni következtetést, hogy az
együttható szignifikáns-e.

3.6. Interjú a modell végén

A modell elkészülése után interjút készítek Peter Jones-sal, a Nova Apartments

tulajdonosával, aki évek óta befektetőként vesz részt a budapesti lakáspiacon. A személyes
beszélgetés folyamán előre megírt kérdések alapján a kész modellről kérdezem, a
módszertanról és a kapott számokról.

Az interjú is az elemzés egyfajta megbízhatósági vizsgálata lesz, rámutathat irreális

eredményekre vagy módszertani hibára.

25
4. A gyakorlati probléma elemzése

4.1. Az eredményváltozó

A regressziós modell adatai közül először az eredményváltozót, azaz a budapesti

lakásárak historikus adatait határoztam meg, ezzel egy időben ugyanis meg tudom
mondani, hogy milyen időtávot tudok vizsgálni, milyen hosszú idősor áll rendelkezésre a
lakásárakkal kapcsolatban.

Az átlagos négyzetméter árakról nem érhető el 2017-ig terjedő hivatalos forrás,

azonban az ingatlanközvetítő portálok naprakész adatokkal és a 2000-es évek elejéig
visszamenő idősorokkal rendelkeznek. Ezen cégeknél a statisztikai adatokat a meghirdetett
lakások árai alapján számolják, tehát például a 2016. december 31.-ei adat az aznap
elérhető eladó lakások átlagos ára. Ezen adatok megbízhatónak tekinthetőek, piaci adatok,
melyet a kereslet és a kínálat alakít. Torzításokat természetesen tartalmazhat, de az
irreálisan alacsony vagy magas árú lakások száma kevés a minta nagyságához képest.

Az internetes portálként működő ingatlanközvetítő cégek közül az ingatlannet.hu oldal

kínálja fel az adatok Budapestre való leszűkítését, így az itt elérhető adatokkal számolok a
modellben. A magyarázó változó tehát a következőképpen alakul:

Négyzetméterár alakulás Budapest

600000

500000

400000

300000

200000

100000

0
2002-11

2009-06

2016-07
2002-04

2003-07
2004-02
2004-09
2005-04
2005-11
2006-06
2007-01
2007-08
2008-04
2008-11

2010-01
2010-08
2011-03
2012-04
2012-11
2013-06
2014-01
2014-10
2015-05
2015-12

2017-02
2017-09

Átlagos négyzetméter ár Átlagos reál ár

11. ábra: Budapesti lakások négyzetméterárának alakulása 2002-2007, saját ábra,

ingatlannet.hu adatok alapján (adatok letöltve: 2018.07.20.)

26
Az adatok tehát 2002-től 2017-ig érhetőek el, így a modell is ezt az időszakot vizsgálja,
továbbá a következő három évet 2020-ig.

4.2. Magyarázóváltozók

Az elméleti bevezetésben már foglalkoztam a budapesti lakásárak YoY változásának

lehetséges magyarázó tényezőivel. Ebben a fejezetben ezt folytatom és egészítem ki.

Az FHB Lakásárprognózis és az MNB Lakáspiaci jelentés elméleti síkon több

gazdasági mutatót említ, amelyek befolyásolják az ingatlanárakat. Ezen tanulmányokban
található gazdasági mutatók historikus értékeit gyűjtöttem össze első lépésként, és
alakítottam azokat YoY adattá. Ezek a következő makrogazdasági indikátorok voltak:

 Átlagbérek és minimálbér
 Alapkamat
 Munkanélküliségi ráta
 Foglalkoztatottak száma

Az adatgyűjtés ezen pontján, a korreláció vizsgálathoz elegendő információ ezen

adatok historikus idősora, így a KSH és az MNB megfelelő adatforrás volt. 1998 és 2017
közötti év végi adatokat sikerült letölteni.

További makrogazdasági mutatókat is kijelöltem, amelyek lehetséges magyarázók, és

úgy véltem, hogy érdemes az egyes mutatók közti korrelációt megvizsgálni. Ezek
elsősorban az MNB fő makrogazdasági mutatóiból kerültek ki:

 Bruttó hazai termék (GDP) volumenindexe

 Fogyasztói árindex
 Államadósság/GDP
 USDHUF
 BUX index
 Háztartások nettó finanszírozási képessége a GDP arányában
 Háztartások nettó pénzügyi vagyona
 Folyó fizetési mérleg egyenleg
Így összesen tizenkettő mutatót kezdek elemezni.

27
4.2.1. Interjú Incze Zsomborral

Zsombor a Budapesti Corvinus Egyetemen szerzett alkalmazott közgazdaságtanból

alapszakos, majd befektetés elemzésből mesterszakos diplomát. 2014-től a Morgan
Stanley-nél dolgozott Credit Risk gyakornokként, később a Mol Csoportnál, jelenleg pedig
a Takarék Csoportnál az FHB index (Takarék index) projekt menedzsere.

A 2018-as FHB Lakásárprognózis végén találkoztam Zsombor nevével, mint az FHB

Index projektvezetője. A feltett kérdéseim elsősorban a regressziós modell lehetséges
magyarázó változóira irányultak: kíváncsi voltam, hogy mit gondol a kiválasztott
mutatókról és tud-e segíteni forrást találni azon mutatókra, amelyekre eddig számomra nem
volt megfelelő és megbízható előrejelzés.

Véleménye szerint a Bloomberg terminálon megtalálható előrejelzéseket (GDP,

Munkanélküliség, CPI, Alapkamat, USDHUF árfolyam) érdemes megnézni, bár kiemeli,
hogy a kezdetleges modellben, amelyet mutattam neki, fontos figyelni a szignifikanciára, az
r-négyzet értékére és a p-értékekre.

A további magyarázó változók közül relevánsnak tartja a népesség változását, ezen

belül is Budapest népességének változását, amelyre véleménye szerint elérhető adat.
Továbbá magyarázó lehet a háztartások hitelállománya és megtakarítása is, ezekre azonban
nehezebb megbízható előrejelzést találni. Negyedik magyarázó változónak a lakás áfa kulcs
változását emelte ki, amely előreláthatólag 2019 december 31.-től 5%-ról 27%-ra fog
növekedni.

Az interjú során tehát Zsombor megerősítette a Bloomberg terminálon elérhető

előrejelzések relevanciáját, és tanácsot adott további magyarázó tényezők használatához. A
beszélgetés végén azonban hangsúlyozta, hogy a modell megbízhatóságát nagyban
veszélyezteti az a tény, hogy az előrejelzés más mutatók előrejelzése alapján történt, így a
kész modellnél külön figyelmet kell fordítani a megbízhatóság mérésére, illetve ki kell
emelni, hogy kockázatokat tartalmaz a prognózis.

28
4.2.2. A lakáspiaci árakkal legjobban korreláló mutatók

A tizenkét rendelkezésre álló idősort Microsoft Excel program segítségével vizsgáltam.

Nincsen hivatalos érték arra vonatkozóan, hogy -1 és 1 között mikor mondható biztosan
erősnek a korreláció, de általában a ±0,6-0,7-nél nagyobb esetekben hívjuk erősnek a
kapcsolatot. Így kezdetben a -0,65-nél kisebb és +0,65-nél nagyobb korrelációkat kerestem.

Az első adatvizsgálat lefuttatása után, ahol időbeni elcsúsztatás nélkül a YoY adatokkal
számoltam 2003 és 2017 között, erős korreláció egyik esetben sem volt megfigyelhető, így
módosítani kellett a vizsgálatot. Három lehetséges módosítás hajtható végre a jobb
korreláció elérésének céljából:

 YoY százalékos adatok helyett a valós érték megadása.

 A magyarázóváltozók időbeli eltolása az eredményváltozóhoz képest, azaz azt
feltételezzük, hogy egy tényező évekkel később fejti ki a hatását a lakáspiacra
 Hosszabb vagy rövidebb idősor vizsgálata.

A módosítások elvégzése után a tizenkét makrogazdasági tényezőből hat mutatott

megfelelő erősségű korreláció:

Év lakás árak YoY Munkanélk. Érték CPI Alapkamat érték Foglalkoztatottak YoY Fin.kép. Ért. Pénzü. Vagy
2005 -2,1% 7,2% 4,7% 9,5% -0,5% 2,8% 11 597,1
2006 2,5% 7,5% 6,8% 6,0% 0,0% 1,0% 12 797,2
2007 3,3% 7,4% 3,6% 8,0% 0,7% 2,6% 14 434,1
2008 11,3% 7,8% 3,9% 7,5% -0,7% 3,8% 16 105,0
2009 -7,4% 10,0% 8,0% 10,0% -1,4% 3,3% 17 108,3
2010 -0,8% 11,2% 6,1% 6,3% -2,6% 1,7% 15 766,1
2011 -3,7% 11,0% 4,2% 5,8% -0,4% 1,1% 17 741,1
2012 1,6% 11,0% 4,9% 7,0% 0,7% 3,5% 18 719,2
2013 -1,4% 10,2% 3,9% 5,8% 1,8% 4,3% 20 178,4
2014 10,8% 7,7% 5,7% 3,0% 1,7% 5,3% 22 862,0
2015 23,5% 6,8% 1,7% 2,1% 5,3% 5,1% 25 459,3
2016 20,8% 5,1% -0,2% 1,4% 2,7% 4,9% 28 809,7
2017 13,0% 4,2% -0,1% 0,9% 3,4% 5,5% 33 052,8
0,4% 0,9% 1,6% 7,7% 36 049,1
2,4% 4,5% 39340,8
5,1%
Korreláció -0,7208 -0,7445 -0,7942 0,7829 0,6814 0,6972

12. ábra Korreláció vizsgálat eredménye, saját ábra

A korreláció vizsgálat így a 2005-2017-es időszakot tartalmazza, és sorra a következő

magyarázó változókat:

29
  Munkanélküliségi ráta százalékos értéke
 Fogyasztói árindex YoY két éves csúsztatással
 Alapkamat értéke egy éves csúsztatással
 Foglalkoztatottak száma YoY egy éves csúsztatással
 Háztartások nettó finanszírozási képessége a GDP arányában három éves
csúsztatással
 Háztartások nettó pénzügyi vagyona milliárd forintban két éves csúsztatással

A csúcstatás mértéke az ábrán is látható, ahány sorral a 2017-es érték alá lógnak az adatok,
annyival lett előretolva az adott magyarázóváltozó idősora.

Elmondható tehát, hogy ezen makrogazdasági tényezők 2005 és 2017 között a

megfelelő formában és időbeli elcsúsztatással, egyenként mind erős korrelációt mutatnak a
budapesti lakásárakkal. Továbbá a kétváltozós regressziós elemzések elvégzése után
elmondható, hogy kellően alacsony p-értékkel rendelkeznek, így szignifikáns változók.

4.3. A legjobb modell

A módszertan következő lépése, hogy több magyarázóváltozó együttes hatását is

megvizsgálom a lakásárakra. A hat magyarázóváltozóból és a lakásárak idősoros adatából
többváltozós regresszióval keresek olyan modellt, mely magyarázni képes az árakat.

Fontos azonban kiemelni, hogy jelen szituációban a magyarázók között is erős

korreláció van, hiszen egymást is befolyásoló makrogazdasági mutatókról van szó. Ezért a
modellbe érdemes egymással kevésbé korreláló magyarázókat rakni. Ehhez egy korreláció-
mátrix nyújt segítséget.

Korreláció Munkanélk. CPI Alapkamat Foglalkozt. Fin.kép. Pénzü. vagy

Munkanélk. 1,00
CPI 0,69 1,00
Alapkamat 0,57 0,73 1,00
Foglalkozt. -0,62 -0,74 -0,77 1,00
Fin.kép. -0,55 -0,59 -0,60 0,74 1,00
Pénzü. vagy -0,56 -0,76 -0,88 0,76 0,78 1,00

13. ábra: Magyarázó változók korreláció-mátrixa, saját ábra

30
 A korreláció-mátrix jól mutatja, hogy minden esetben közepesnél erősebb kapcsolat áll
fent a mutatók között. Szürkével jelöltem azon párokat ahol -0,6-nál nagyobb vagy 0,6-nél
kisebb a korreláció, és ennek segítségével kezdtem meg a legjobb modell kiépítését.

A legjobb modell az, amelynek legmagasabb a többváltozós regressziós vizsgálat során

kapott r-négyzet és korrigált r-négyzet értéke, valamint minél alacsonyabb az egyes
magyarázóváltozók p-értéke.

A tesztelések elvégzése után megkaptam a legalkalmasabb modellt, amely a következő

négy magyarázóváltozót tartalmazza:

 A munkanélküliségi ráta százalékos értéke (forrás: KSH)

 Az alapkamat értéke egy éves csúsztatással (forrás: MNB)
 Háztartások nettó finanszírozási képessége a GDP arányában három éves
csúsztatással (forrás: MNB)
 Háztartások nettó pénzügyi vagyona milliárd forintban két éves csúsztatással
(forrás: MNB)

Az elemzés ezen pontján tehát kiválasztásra került a makrogazdasági mutatók közül az a

négy, amely segítségével a modell előrejelzi a budapesti lakásárakat.

4.4. Lakásárprognózis

A többváltozós lineáris regressziós elemzéssel megkaptam a tengelymetszetet és a

magyarázóváltozókhoz tartozó koefficienseket. Így a modellbe ezeket az adatokat már be is
lehet helyettesíteni:
Koefficiensek
Tengelymetszet 0,403118585
Munkanélk. -1,279006719
Alapkamat -2,850994609
Fin.kép. 2,890576944
Pü.-i vagy. -9,28301E-06
14. ábra: Koefficiensek, saját ábra

𝑌𝑡 = 0,403 − 1,279 ∗ 𝑋𝑡2 − 2,851 ∗ 𝑋𝑡3 + 2,891 ∗ 𝑋𝑡4 − 0,00001 ∗ 𝑋𝑡5

A képlet és a koefficiensek értékei azt mutatják, hogy ha a négy magyarázóváltozó

értéke nulla lenne, akkor 40,31%-al nőne az átlagos lakásár évente. Továbbá látszik, hogy a

31
finanszírozási képességi mutató rendelkezik egyedül pozitív koefficienssel azaz, ha az
érteke pozitív, akkor növeli az eredményváltozó értékét. A másik három mutató negatív
előjelű koefficienssel rendelkezik, így ezek pozitív érték esetén csökkentő tényezők.

Az egyenletbe már csak az Xt értékeket kell behelyettesíteni, amelyek a

magyarázóváltozók 2018-2020-as értékei.

Ahogy a 15. ábra is mutatja, a munkanélküliségi ráta időbeni elcsúsztatás nélkül került
a modellbe, így mindhárom évre becsült adat került beírásra. E mutató előrejelzését a
Bloomberg szolgáltatta, amely magyar és nemzetközi bankok (köztük OTP, Erste, HSBC,
UBS) előrejelzéseinek veszi a súlyozott átlagát (Bloomberg Weighted Average).

Munkanélk. Alapkamat Fin.kép. Pü.-i vagy.

2018 3,70% 0,9% 7,7 36 049,1
2019 3,70% 0,9% 4,5 39340,8
2020 3,70% 1,1% 5,1 42187,211

15. ábra: A négy magyarázóváltozó 2018, 2019 és 2020-ban használt értéke, saját ábra

Az Alapkamat egyéves csúsztatással található a modellben. Így ebben az esetben

csupán 2019-re és 2020-ra van szükség előrejelzésre, amelyek valójában a csúsztatás miatt
a 2018-2019-es évek. Ennél a mutatónál is elérhető Bloomberg előrejelzés, továbbá egy
másik new york-i cég, a Trading Economics is szolgáltat adatot. A becslések 2018-ra
megegyeznek, 0,9% mindkét esetben, 2019-re azonban rendre 1,1% és 1,25% a becsült
értékük. Az elemzésbe a megbízhatóbbnak vélt Bloomberg adat került.

A háztartások finanszírozó képessége esetében hároméves időbeli csúsztatással volt

megfigyelhető a magas korreláció, így a 2020-ig tartó előrejelzés elvégezhető a 2015-2017-
es adatokból, amelyeket az MNB honlapról töltöttem le.

Az utolsó mutató, a háztartások pénzügyi vagyona különleges adat, ebben az esetben

ugyanis nem áll rendelkezésre előrejelzés. A kétéves csúsztatás miatt csak a 2018-as adatra
van szükség, de jelenleg csak az első negyedévet publikálták. Így a 2018 év végi adatot az
első negyedévi növekedés alapján becsültem. A háztartások pénzügyi vagyona 2018 első
negyedévében 1,76%-al növekedett, és ha a növekedés a következő három negyedévben is
hasonló ütemű lesz, akkor az év végi várható érték 42.187 milliárd forint.

A 2018-2020-as adatok modellbe való betöltése után megkapjuk a lakásár előrejelzést:

32
 Budapesti lakások fajlagos négyzetméterára
900 000 Ft
767 900 Ft
800 000 Ft
700 000 Ft 711 648 Ft
600 000 Ft 650 227 Ft

500 000 Ft
400 000 Ft
300 000 Ft
200 000 Ft
100 000 Ft
0 Ft
2004 2006 2008 2010 2012 2014 2016 2018 2020

fajlagosÁRAK_BP Előrejelzés

16. ábra: Budapesti lakások fajlagos négyzetméterára és előrejelzése, saját ábra

Az 16. ábrán látható tehát a modell és az előrejelzés eredménye. 2018-ban a lakásárak

21,8%-os emelkedése várható, 2019-ben 9,4%-os növekedés, 2020-ban 7,9%-os
növekedést becsül a modell.

4.5. A modell megbízhatóságának vizsgálata

A prognózis eredményeit vizsgálva felmerül a kérdés, hogy vajon megbízhatunk-e a

kapott számokban, és hogy mekkora hibával működik a modell valójában.

Minthogy statisztikai modellről van szó, a modell megbízhatósága jól mérhető és

százalékos adatokkal megadható. Az elemzés azon adatait mutatom be, amelyeket a legjobb
modell kiválasztásakor is használtam. Ezek az r-négyzet és a korrigált r-négyzet értékek.

Regressziós statisztika
r értéke 0,900228
r-négyzet 0,81041
Korrigált r-négyzet 0,715615
Standard hiba 0,051067
Megfigyelések 13
17. ábra: Regressziós statisztika, saját ábra

33
A regressziós statisztikából (17. ábra) ki is olvasható az r-négyzet értéke, amelyet ha
százzal szorzunk, megkapjuk azt a százalékot, hogy hány százalékban magyarázzák a
magyarázóváltozók az eredményváltozót. Ez jelen esetben 81%, amely erős magyarázó
hatást jelent. A korrigált r-négyzet pedig a magyarázóváltozók száma, és a minta nagysága
segítségével módosított r-négyzet érték. A korrigált r-négyzet értéke, minél magasabb,
annál megbízhatóbb a modell.

4.6. Interjú Peter Jonas-szal, a modell értékelése

Az előrejelzés elkészülése után interjút készítettem Peter Jones-szal 2018

augusztusában, hogy megtudjam egy szakember véleményét az elemzés módszertanával és
a kapott eredményekkel kapcsolatban.

Peter ausztrál származású üzletember, 2005 óta foglalkozik Budapesten lakáskiadással.

Annak idején egy lakással kezdte, később harminc lakásra bővült a kínálata, jelenleg pedig
közel százötven belvárosi lakás tartozik a portfóliójába, köztük négy apartmanhotel. Peter
gyakran tart előadásokat is a témában, elismert befektető és az interjú során is érdekes
válaszokat kaptam tőle.

Első kérdésem arra irányult, hogy milyen előrejelzéseket vett figyelembe a múltban,
amikor a cég jövőjét tervezte, vagy nagy összegű hitelt vett fel lakásvásárlás céljából.
Érdekelt, hogy felvet-e az elkészült modellben fellelhető tényezőket, vagy rendelkezik-e
esetleg lakáspiaci előrejelzéssel. Peter elmondta, hogy megbízható budapesti lakáspiaci
előrejelzést nem ismer, inkább historikus adatokra támaszkodik, valamint a lakáspiac
ciklikusságára. Véleménye szerint 8-14 év egy ciklus, és minden ciklus gazdasági krízissel
ér véget. Erre minden alkalommal figyel, és a következő krízis időpontját is sejti már. Egy
gazdasági tényezőt emelt ki, amely szerinte a válság oka is lesz, ez pedig az alapkamat,
pontosabban a BUBOR alakulása.

Kifejtve Peter elméletét a lakáspiac és a BUBOR kapcsolatáról, a lakáshiteleket kell

megvizsgálni. Elmondása szerint a lakáshitelek több, mint 70%-a változó kamatozású, és
legtöbb esetben BUBOR-hoz kötött. Tehát ha nő a BUBOR, nőnek a visszafizetendő
részletek is. Egy 3-4 százalékpontos BUBOR növekedés nagy mértékben növelheti az adós
havi törlesztő részleteit, amelyet több esetben valószínűleg nem fognak tudni fizetni és így
el kell adni az ingatlant. Amennyiben tömegesen nem tudják fizetni a törlesztő részleteket

34
és így kénytelenek eladni a lakást és kisebbe költözni, nagy mértékben fog nőni a
lakáskínálat, amely lenyomja az árakat.

Természetesen a fent említett krízis csak a BUBOR 3-4 százalékpontos emelkedése

esetén következne be, és erre hivatalos előrejelzés és állami álláspont sincsen. Peter
azonban arra számít, hogy a következő években fokozatosan elkezdődik a növekedés, és a
2020-as évek elején aktuális lesz az említett krízis.

Ezután prezentáltam Peternek a lakásárprognózist, amelyet készítettem, és

megkérdeztem, hogy mit gondol a módszertanról, illetve a kapott számokról.

A módszertant és a kiválasztott gazdasági tényezőket jónak tartotta, véleménye szerint

is van összefüggés, természetesen kiemelve az alapkamatot a korábban említettek miatt.

A számok terén igen hasonló tendenciára számít ő is. Reálisnak tartja, hogy 2020-ig
növekedni fognak a lakásárak, de évről évre egyre kisebb százalékkal. 2018-ban azonban a
külső tényezőknek köszönhetően még magasabb árat jósol, 650.000 Ft/négyzetméter
helyett szerinte ez a 700.000 Ft/ négyzetméter-es átlagárat is elérheti. 2020 után számít
lakásárcsökkenésre.

Az interjú végén a lakáspiaci buborék témájáról kérdeztem Peter-t. Ekkor már világos
volt, hogy nagy kockázatnak és a buborék lehetséges kidurrantó okának tartja a nem fix
kamatozású hiteleket, de érdekelt, hogy egyéb módszerekkel hogyan lehet észrevenni a
buborékot, és hogyan tudja biztosítani magát, hogy a cég túlélje a krízist.

A lakáspiaci buborékok okaként továbbra is a kamatokat nevezte meg, de jelen esetben

már tágabban. Véleménye szerint a lakáspiacon a legtöbbször a hitelek a felelősek, ahogy
2008-ban is, az esetleges válság kialakulásáért. Ez ellen a kockázat ellen pedig a befektetők
legjobban úgy védekezhetnek, ha fix kamatozású hitelkonstrukciót kötnek, és így az
alapkamat növekedése nem befolyásolja közvetlenül a havi törlesztő részleteket.

Összefoglalva, sikeres volt az interjú, Peter Jones pozitív visszajelzést adott az

elkészült lakásárprognózisról. Továbbá egy érdekes témát vetett fel, amellyel a következő
években érdemes lesz foglalkozni, ez pedig a BUBOR emelkedése, amennyiben ez tényleg
megvalósul. Valamint beszélt egy fontos lakáspiaci kockázatról, amely a lakáspiaci

35
buborék következő kidurranásához vezethet és egy lehetséges megelőzést is ajánlott, a fix
kamatozású hiteleket.

5. Összefoglalás

A dolgozatomban arra a kérdésre kerestem a választ, hogy hogyan fog alakulni a

budapesti lakások átlagos ára a következő három évben, azaz 2018 év végén, 2019 év
végén és 2020 év végén.

A lakásárak előrejelzéséhez egy többváltozós regressziós modell építése mellett

döntettem, amely makrogazdasági mutatók és a budapesti lakások átlagos ára közötti
korreláció segítségével képes megbecsülni a jövőbeli árakat. Tizenkettő gazdasági mutatót
választottam ki az FHB Lakásárprognózis és az MNB Lakáspiaci jelentés alapján, és az
MNB fő makrogazdasági mutatói közül választva.

A makrogazdasági mutatók és a budapesti lakásárak 2005 és 2017 közötti idősoros

adatai között vizsgáltam a korrelációt és hat mutatónál találtam erős kapcsolatot a
lakásárakkal:

 Munkanélküliségi ráta százalékos értéke

 Fogyasztói árindex YoY két éves csúsztatással
 Alapkamat értéke egy éves csúsztatással
 Foglalkoztatottak száma YoY egy éves csúsztatással
 Háztartások nettó finanszírozási képessége a GDP arányában három éves
csúsztatással
 Háztartások nettó pénzügyi vagyona milliárd forintban két éves csúsztatással

A modellnél azonban figyelembe kellett venni, hogy a felsorolásban látható mutatók

egymással is korrelálnak, így csökkentik a regressziós modell pontosságát. Annak
érdekében, hogy megkapjam a legjobb modellt, csak az egymással kevésbé korreláló
gazdasági mutatókat választottam ki a modellbe, amelyek a fenti a listában aláhúzva
láthatóak.

36
 A kiválasztott gazdasági mutatók és a budapesti lakásárak historikus adataiból,
valamint a gazdasági mutatók előrejelzéseiből felépítettem a regressziós modellt, amely
megbecsli a 2018, 2019 és 2020 év végi várható áltagos lakásárakat Budapesten.

Az eredmények a következők:

 2018-ban a lakásárak 21,8%-os emelkedése várható, 650221 Ft év végi átlagos

négyzetméterár.
 2019-ben 9,4%-os növekedés, 711 648 Ft év végi átlagos négyzetméterár.
 2020-ban 7,9-os növekedést, 767900 Ft év végi átlagos négyzetméterár.

Összefoglalva, sikeres lett az elemzés, 81%-os magyarázóerővel bírnak a gazdasági

mutatók, megbízható forrásból álltak rendelkezésre előrejelzések és az ellenőrzésként
folytatott interjú során is pozitív megerősítést kaptam.

A regressziós modellen kívül a második fejezetben írtam az ingatlanpiacról

általánosságban, az ingatlanpiac szereplőiről és sajátosságairól, a budapesti lakáspiacról és
a lakáspiacot befolyásoló makrogazdasági tényezőkről. Ez a fejezet egy elméleti hátteret
biztosít a feltett kérdés számokkal való megválaszolása előtt.

Zárásként szeretném kiemelni a Peter Jones-szal folytatott interjúban felmerült témát,

amely szerint a BUBOR emelkedése lehet az ingatlanpiaci buborék kidurranásának
következő oka. Egy következő elemzésben érdekes lenne célzottan erre koncentrálni,
megvizsgálni a korrelációt Magyarországon és globális szinten is. Továbbá, érdekes kutatás
lenne a makrogazdasági mutatók mellett más magyarázóváltozókat keresni, amelyek
ugyancsak magyarázzák az ingatlanárakat. Több olyan jelenség lehet, amelynek pontos
mérése jelenleg nem megvalósított, nem elérhető idősoros adat, pedig erős magyarázója
lehet az ingatlanpiaci áraknak.

37
Irodalomjegyzék

Könyv és folyóirat:
Chikán Attila (2008): Vállalatgazdaságtan, Aula Kiadó Kft, Budapest
Csűri Éva Katalin - Darák Péter - Hidasi Gábor - Kovács László - Zámbó Tamás (2004):
AZ INGATLAN JOGI KÉZIKÖNYVE, KJK-KERSZÖV Jogi és Üzleti Kiadó, Budapest
Dr. Kiss Gábor (2007): Az ingatlanjog nagy kézikönyve, Complex Kiadó, Budapest
Hunyadi Csilla (1989): A vállalat piaci környezete. In: Chikán Attila szerk.:
Vállalatgazdaságtan, MKKE jegyzet
King, P. (2009): Understanding Housing Finance: Meeting Needs and Making Choices.
Routledge
Ramanthan, R. (2003): Bevezetés az ökonometriába alkalmazásokkal, Panem Kft, Budapest
Soós János (2002), Ingatlangazdaságtan, KJK-KERSZÖV Jogi és Üzleti Kiadó Kft.,
Budapest
Sowell, T. (2007): Basic Economics: A Common Sense Guide to the Economy, 3rd edition,
Basic Books, New York
Takács György (1990): A gazdálkodási és jogi fogalmak párhuzamos magyarázata, GTE,
Budapest, 217.old.

Internetes forrás
Állampapír. hu - http://www.allampapir.hu/ letöltve: 2018. 08.25.
Duna House Barométer 2018 májusi jelentése -
https://dh.hu/ckfinder/userfiles/files/webin%C3%A1rium/k%C3%A9pek/k%C3%A9pek2/
DH-Barometer-83__majus_HUN_0612.pdf, letöltve: 2018.06.12.
FHB Lakásárprognózis 2018 - http://www.takarekindex.hu/FHB-Index/Letoltheto-
anyagok/FHB_LakasarPrognozis2018.pdf, letöltve: 2018.07.17.
fm-epulettervezes.hu - https://www.fm-epulettervezes.hu/tervezes-engedelyek-idoigenye/,
letöltve: 2018.09.12.
index.hu -
https://index.hu/gazdasag/allas/2018/05/11/40_ezer_munkas_hianyzik_az_epitoiparbol/,
letöltve: 2018.09.15.
KSH mikrocenzus 2016 - https://www.ksh.hu/mikrocenzus2016/, letöltve: 2018. 09.10.
MNB Lakáspiaci jelentés 2018. május -
https://www.mnb.hu/kiadvanyok/jelentesek/lakaspiaci-jelentes/lakaspiaci-jelentes-2018-
majus, letöltve: 2018. 09.12

38
Ábrák forrásjegyzéke:

1. ábra: Ingatlannet.hu - https://www.ingatlannet.hu/statisztika/Budapest, letöltve

2018.09.12.
2. ábra: Soós János (2002), Ingatlangazdaságtan, KJK-KERSZÖV Jogi és Üzleti Kiadó
Kft., Budapest, 353. oldal
3. ábra: saját ábra
4. ábra: KSH mikrocenzus 2016 - https://www.ksh.hu/mikrocenzus2016/, letöltve 2018.
09.10.
5. ábra: Duna House Barométer 2018 májusi jelentése -
https://dh.hu/ckfinder/userfiles/files/webin%C3%A1rium/k%C3%A9pek/k%C3%A9pek2/
DH-Barometer-83__majus_HUN_0612.pdf, 6. oldal, letöltve 2018.06.12.
6. ábra: MNB Lakáspiaci jelentés 2018. május - https://www.mnb.hu/letoltes/lakaspiaci-
jelentes-2018-majus-hu.pdf, 6. oldal, letöltve2018. 09.12
7. ábra: MNB Lakáspiaci jelentés 2018. május - https://www.mnb.hu/letoltes/lakaspiaci-
jelentes-2018-majus-hu.pdf, 7. oldal, letöltve2018. 09.12
8. ábra: MNB Lakáspiaci jelentés 2018. május - https://www.mnb.hu/letoltes/lakaspiaci-
jelentes-2018-majus-hu.pdf, 8. oldal, letöltve2018. 09.12
9. ábra: Ramanthan, R. (2003): Bevezetés az ökonometriába alkalmazásokkal, Panem Kft,
Budapest, 21. oldal
10. ábra: saját ábra
11. ábra: saját ábra, https://www.ingatlannet.hu/statisztika/Magyarorsz%C3%A1g alapján,
adatok letöltve: 2018.07.20.
12. ábra: saját ábra
13. ábra: saját ábra
14. ábra: saját ábra
15. ábra: saját ábra
16. ábra: saját ábra
17. ábra: saját ábra

39