Professional Documents
Culture Documents
Nyerges Mark
Nyerges Mark
Nyerges Márk
2018
1
Budapesti Corvinus Egyetem
Gazdálkodástudományi Kar
Befektetések és Vállalati Pénzügyek Tanszék
„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.”
__________________________
hallgató aláírása
TÉMAVEZETŐI NYILATKOZAT
…………………………………….
(a konzulens aláírása)
3
II. számú melléklet
NYILATKOZAT
A SZAKDOLGOZAT NYILVÁNOSSÁGÁRÓL
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.
………………………………………
…
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
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
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.
7
2. Elméleti felvezetés
2.1. Ingatlanpiac
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.
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.
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.
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.
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:
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.
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 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
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.
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.
Ahol:
PV (Present Value) = jelenérték
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
a) helyiségei;
b) közművesítettsége;
c) melegvíz-ellátása; és
d) fűtési módja
A KSH felmérése (KSH mikrocenzus 2016) szerint 2016-ban a következő ábra szerint
oszlottak meg a budapesti lakások komfortfokozat szerint:
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.
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.
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.
19
3. Módszertani felvezetés
Modellépítés
Adatgyűjtés
A modell becslése
Hipotézis vizsgálat
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.
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.
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.
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.
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
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.
3.4. Előrejelzés
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.
25
4. A gyakorlati probléma elemzése
4.1. Az eredményváltozó
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
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
Átlagbérek és minimálbér
Alapkamat
Munkanélküliségi ráta
Foglalkoztatottak száma
27
4.2.1. Interjú Incze Zsomborral
28
4.2.2. A lakáspiaci árakkal legjobban korreláló mutatók
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:
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
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.
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.
4.4. Lakásárprognózis
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.
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).
15. ábra: A négy magyarázóváltozó 2018, 2019 és 2020-ban használt értéke, saját ábra
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
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.
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.
34
és így kénytelenek eladni a lakást és kisebbe költözni, nagy mértékben fog nőni a
lakáskínálat, amely lenyomja az árakat.
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.
35
buborék következő kidurranásához vezethet és egy lehetséges megelőzést is ajánlott, a fix
kamatozású hiteleket.
5. Összefoglalás
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:
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:
39