Статистический анализ динамики цен на недвижимость в Санкт-Петербурге и Ленинградской области (2018–2025 гг.): Методология, Факторы и Прогнозы

Рынок недвижимости, будучи одним из ключевых сегментов национальной экономики, выступает индикатором социально-экономического благополучия и стабильности. Его динамика напрямую влияет на инвестиционный климат, строительную отрасль и, что особенно важно, на доступность жилья для населения. В условиях постоянных макроэкономических изменений, таких как колебания ключевой ставки Центрального банка и эволюция ипотечных программ, понимание ценовых тенденций на этом рынке становится не просто желательным, а жизненно необходимым. Только за последние пять лет, с 2019 по конец 2024 года, средняя стоимость квадратного метра на первичном рынке жилья Санкт-Петербурга выросла на впечатляющие 113,3%, что подчеркивает драматичность и значимость происходящих процессов.

Цель настоящей работы заключается в проведении всестороннего статистического анализа динамики цен на рынке жилой недвижимости Санкт-Петербурга и Ленинградской области за период с 2018 по 2025 годы, с целью выявления ключевых трендов, факторов влияния и разработки практических рекомендаций.

Для достижения поставленной цели были определены следующие задачи исследования:

• Изучение теоретических основ статистического анализа динамических рядов и принципов ценообразования на рынке недвижимости.
• Анализ временных рядов цен на первичном и вторичном рынках жилья Санкт-Петербурга и Ленинградской области.
• Выявление долгосрочных трендов и сезонных колебаний в динамике цен с использованием соответствующих статистических методов.
• Оценка влияния макроэкономических факторов, включая ключевую ставку ЦБ РФ и государственные ипотечные программы, на ценовую динамику.
• Разработка предложений по совершенствованию статистического учета и анализа цен на недвижимость для повышения точности прогнозирования.

Объектом исследования выступает рынок жилой недвижимости Санкт-Петербурга и Ленинградской области, а предметом исследования — динамика цен на первичном и вторичном рынках жилья, а также комплекс факторов, определяющих эти изменения.

Методологическая база исследования включает общенаучные методы познания, а также специфические методы статистического анализа: формирование и анализ динамических рядов, расчет средних величин, индексов, применение методов сглаживания и аналитического выравнивания, а также элементы корреляционно-регрессионного анализа для оценки взаимосвязей между ценами и макроэкономическими показателями.

Структура работы включает введение, четыре основные главы, посвященные теоретическим основам, методологии анализа, эмпирическому исследованию и оценке факторов влияния, а также заключение, обобщающее основные выводы и предложения.

Теоретические основы статистического анализа динамики цен на рынке недвижимости

Понятие и виды динамических рядов в статистике цен

В основе любого анализа изменения явлений во времени лежит концепция ряда динамики, или, как его еще называют, временного ряда. Это не просто последовательность чисел, а тщательно структурированный набор статистических показателей, расположенных в строгом хронологическом порядке, который наглядно демонстрирует, как изменялось то или иное общественное явление на протяжении определенного временного отрезка. Именно этот подход позволяет выявить скрытые закономерности и принимать обоснованные решения, а не полагаться на интуицию.

Каждый такой ряд состоит из двух ключевых элементов: уровней ряда (обозначаемых как Y_t) и моментов или периодов времени (t), к которым эти уровни относятся. Уровни ряда — это конкретные числовые значения изучаемого показателя, например, средняя цена квадратного метра жилья в Санкт-Петербурге. Время (t) может быть как конкретным моментом (например, 1 января 2025 года), так и определенным периодом (например, первый квартал 2025 года).

Различают два основных типа динамических рядов, каждый из которых имеет свои особенности и применяется для разных целей:

• Интервальный (периодический) ряд динамики: В этом случае уровни ряда характеризуют размер явления, произошедшего за определенный временной интервал (период). Например, объем продаж жилья за месяц, квартал или год, либо средняя цена, агрегированная за этот период. Особенность интервальных рядов в том, что их уровни можно суммировать, чтобы получить общий показатель за более длительный период. Например, объем продаж за три месяца можно получить, сложив объемы продаж за каждый из этих месяцев.
• Моментный ряд динамики: Здесь уровни ряда характеризуют состояние явления на конкретный момент времени. Классический пример для рынка недвижимости – это средняя цена квадратного метра на определенную дату (например, на 1-е число каждого месяца) или количество нераспроданных квартир на конец квартала. Моментные ряды нельзя суммировать, поскольку это приведет к двойному учету одного и того же явления. Например, если мы сложим количество квартир на складе на 1 января и 1 февраля, мы получим некорректное значение, поскольку одни и те же квартиры могли быть учтены дважды.

Понимание этих различий критически важно для корректного статистического анализа, поскольку выбор типа ряда определяет применимые методы обработки и интерпретации полученных результатов.

Основы ценообразования на рынке жилой недвижимости

Цены на рынке жилой недвижимости формируются под влиянием сложного переплетения экономических законов, макроэкономических факторов и специфических характеристик самого объекта. В своей основе, ценообразование на недвижимость подчиняется общим принципам спроса и предложения, но с рядом существенных оговорок, обусловленных уникальностью этого актива.

На теоретическом уровне, одним из ключевых подходов к объяснению формирования цен является гедоническая модель ценообразования. Эта модель предполагает, что цена объекта недвижимости не является единой величиной, а представляет собой сумму цен на отдельные его характеристики. То есть, стоимость квартиры складывается из цен за ее площадь, количество комнат, этаж, качество ремонта, район расположения, близость к транспортной инфраструктуре, наличие парковки и других атрибутов. Например, квартира в центре Санкт-Петербурга с видом на Неву будет стоить значительно дороже аналогичной по площади квартиры на окраине города, поскольку покупатель платит за совокупность престижных и удобных характеристик. Гедоническая модель позволяет оценивать вклад каждой характеристики в общую цену, что очень важно для понимания ценовой структуры и прогнозирования.

Помимо внутренних характеристик объекта, на цены влияют множество внешних факторов:

• Спрос: Определяется демографической ситуацией (рост населения, количество домохозяйств), уровнем доходов населения, доступностью ипотечных кредитов (процентные ставки, условия выдачи), инвестиционной привлекательностью недвижимости (защита от инфляции, потенциал роста стоимости), а также психологией покупателей.
• Предложение: Зависит от объемов нового строительства, наличия свободных земельных участков, скорости выдачи разрешений на строительство, стоимости строительных материалов и рабочей силы, а также от решений собственников о продаже существующего жилья. В условиях Санкт-Петербурга и Ленинградской области предложение также формируется с учетом ограничений по высотности и плотности застройки в историческом центре и динамичного развития пригородных зон.
• Общая экономическая ситуация: Рост ВВП, уровень инфляции, стабильность национальной валюты, безработица — все эти макроэкономические показатели оказывают прямое влияние на покупательную способность населения и инвестиционную активность. В периоды экономического подъема спрос на недвижимость, как правило, растет, и цены увеличиваются.
• Государственная политика: Субсидирование ипотеки (льготные программы), налоговая политика, градостроительные регламенты, программы реновации жилья — все это может существенно корректировать динамику цен.
• Валютные колебания: Для России, где часть инвестиций и строительных материалов имеют иностранное происхождение, ослабление национальной валюты может приводить к удорожанию строительства и, как следствие, к росту цен на новое жилье.
• Активность инвесторов: Наличие спекулятивных инвестиций может приводить к «перегреву» рынка, а вывод капитала — к его охлаждению.

Таким образом, формирование цен на жилую недвижимость — это многофакторный процесс, требующий комплексного анализа как микроэкономических особенностей каждого объекта, так и макроэкономического контекста.

Официальная статистическая методология наблюдения за ценами на жилье

Для обеспечения сопоставимости и достоверности данных о ценах на рынке жилья на государственном уровне, Росстатом разработана и строго регламентирована Общероссийская система индексов цен на рынке жилья. Эта система является фундаментальной основой для мониторинга и анализа, позволяя не только отслеживать динамику цен во времени, но и проводить межрегиональные сравнения. Ее правовой базой служит Приказ Росстата от 12.08.2022 № 572 «Об утверждении Официальной статистической методологии наблюдения за уровнем и динамикой цен на рынке жилья», который гармонизирован с международными рекомендациями, в частности, с «Руководством по индексам цен на жилую недвижимость» (2013 г.).

Ключевая особенность этой методологии заключается в том, что она отходит от простого расчета средних цен, которые могут быть подвержены значительному «статистическому шуму». «Статистический шум» возникает, когда изменения в средней цене обусловлены не реальным изменением стоимости однотипного жилья, а изменением структуры предложения на рынке. Например, если в одном месяце продавалось много дорогих квартир премиум-класса, а в следующем — много недорогих квартир эконом-класса, то средняя цена может существенно измениться, но это не будет отражать истинную динамику стоимости конкретного сегмента жилья.

Для сглаживания этого шума и выявления более плавных, истинных тенденций рынка, методология Росстата применяет принципы взвешенных индексов и концепцию «товаров-представителей»:

• Взвешенные индексы: В отличие от простых средних, где все объекты учитываются одинаково, взвешенные индексы придают каждому объекту или сегменту рынка определенный «вес», отражающий его значимость или долю в общем объеме рынка. Например, если квартиры эконом-класса составляют 70% от всех сделок, а премиум-класса — 5%, то изменения цен в эконом-сегменте будут иметь гораздо большее влияние на общий индекс. Это позволяет получить более репрезентативную картину.
• «Товары-представители»: Для стандартизации наблюдения Росстат выделяет типовые объекты недвижимости, которые характеризуются стабильными и четко определенными потребительскими свойствами. Это могут быть, например, однокомнатные квартиры стандартной планировки в панельном доме определенного года постройки в конкретном районе. Цены отслеживаются именно по этим «товарам-представителям», что минимизирует влияние изменения структуры предложения на индекс. Таким образом, сравниваются «яблоки с яблоками», а не «яблоки с грушами».

Применение этой методологии позволяет получать индексы цен, которые: более точно отражают базовую инфляцию на рынке жилья, исключая влияние структурных сдвигов; обеспечивают сопоставимость данных во времени и между регионами; являются надежной основой для государственного мониторинга, принятия управленческих решений и формирования прогнозов.

Несмотря на всю строгость методологии, важно помнить, что рынку недвижимости не присущи резкие колебания с переменой тенденций от месяца к месяцу. Поэтому интерпретация краткосрочных изменений должна проводиться с осторожностью, фокусируясь на выявлении долгосрочных трендов.

Методы и аналитические показатели исследования динамики цен

Базисные и цепные показатели динамического ряда

Для глубокого и всестороннего анализа динамических рядов в экономической статистике используются специальные аналитические показатели, которые позволяют количественно оценить характер и скорость изменений изучаемого явления. Эти показатели могут быть рассчитаны двумя основными способами: базисным и цепным, каждый из которых имеет свою сферу применения и интерпретацию.

Базисный способ предполагает сравнение каждого уровня ряда с одним и тем же, неизменным уровнем, принятым за базу (Y_б). Обычно это начальный уровень ряда или какой-либо другой значимый период. Базисные показатели позволяют оценить общее изменение явления за весь анализируемый период относительно одной фиксированной точки.

Цепной способ заключается в сравнении каждого текущего уровня ряда с непосредственно предшествующим ему уровнем (Y_t-1). Цепные показатели характеризуют интенсивность изменений от одного периода к другому, то есть шаг за шагом.

Рассмотрим ключевые аналитические показатели:

1. Абсолютный прирост (ΔY):
   Характеризует размер изменения уровня ряда и равен разности двух сравниваемых уровней.
   • Цепной абсолютный прирост: ΔY_i = Y_i — Y_i-1. Показывает, насколько изменился уровень в текущем периоде по сравнению с предыдущим.
   • Базисный абсолютный прирост: ΔY_i = Y_i — Y_б. Показывает, насколько изменился уровень в текущем периоде по сравнению с базовым.
   • Единица измерения: соответствует единице измерения исходного показателя (например, рубли/м²).
2. Темп роста (T_р):
   Показывает, во сколько раз изменился текущий уровень по отношению к сравниваемому. Может быть выражен в виде коэффициента или в процентах.
   • Цепной темп роста: T_рцi = Y_i / Y_i-1. Показывает, во сколько раз текущий уровень больше или меньше предыдущего.
   • Базисный темп роста: T_рбі = Y_i / Y_б. Показывает, во сколько раз текущий уровень больше или меньше базового.
   • Единица измерения: безразмерная величина (коэффициент) или проценты (при умножении на 100%).
3. Темп прироста (T_пр):
   Характеризует относительную скорость изменения явления, показывая, на сколько процентов изменился сравниваемый уровень.
   • Цепной темп прироста: T_прцi = (ΔY_i / Y_i-1) × 100% = (T_рцi — 1) × 100%. Показывает процент изменения относительно предыдущего периода.
   • Базисный темп прироста: T_прбі = (ΔY_i / Y_б) × 100% = (T_рбі — 1) × 100%. Показывает процент изменения относительно базового периода.
   • Единица измерения: проценты (%).
4. Абсолютное значение 1% прироста (1%_цi):
   Показывает, сколько единиц измерения составляет один процент прироста (или снижения) уровня ряда.
   • Цепное абсолютное значение 1% прироста: 1%_цi = Y_i-1 / 100.
   • Базисное абсолютное значение 1% прироста: 1%_бі = Y_б / 100.
   • Единица измерения: соответствует единице измерения исходного показателя (например, рубли/м²).

Пример применения (условные данные по средней цене за 1 м² в СПб):
Допустим, цены были: 2023 год – 200 тыс. руб., 2024 год – 220 тыс. руб., 2025 год – 231 тыс. руб.
Возьмем 2023 год как базовый.

Год	Средняя цена (Yi)	ΔY цепной	ΔY базисный	Tр цепной	Tр базисный	Tпр цепной	Tпр базисный	1%ц
2023	200	—	—	—	—	—	—	—
2024	220	20	20	1,1	1,1	10%	10%	2,0
2025	231	11	31	1,05	1,155	5%	15,5%	2,2

Выбор базисного или цепного способа зависит от целей анализа. Базисные показатели удобны для оценки общего развития за длительный период, тогда как цепные позволяют уловить краткосрочные изменения и выявить переломные моменты в динамике.

Методы выявления тренда и сглаживания динамических рядов

Динамические ряды, особенно характеризующие такие сложные явления, как цены на недвижимость, зачастую содержат в себе не только основную тенденцию развития (тренд), но и различные случайные колебания, сезонные изменения и циклические фазы. Для того чтобы «очистить» данные от этого «шума» и выявить истинный долгосрочный тренд, применяются различные методы сглаживания и аналитического выравнивания.

Основная задача сглаживания – это элиминирование случайных и краткосрочных колебаний, чтобы сделать более наглядной и интерпретируемой общую траекторию изменения показателя во времени.

1. Метод укрупнения интервалов:
   Это один из самых простых методов. Он заключается в объединении нескольких коротких временных интервалов (например, месяцев) в более длинные (например, кварталы или годы) и расчете средних значений для этих укрупненных интервалов.
   • Принцип: Сглаживание достигается за счет взаимного погашения случайных колебаний внутри более крупного интервала.
   • Преимущества: Простота, наг��ядность.
   • Недостатки: Потеря детализации, сдвиг временной привязки, неприменим для коротких рядов.
2. Метод скользящей средней:
   Этот метод является более гибким и широко используемым. Он заключается в замене каждого уровня ряда (или центральной точки интервала) на среднее арифметическое этого уровня и нескольких соседних уровней.
   • Принцип: Для каждого уровня t рассчитывается среднее значение по «окну» из (2k+1) уровней:
     Ȳt = (Yt-k + ... + Yt + ... + Yt+k) / (2k + 1)
     Где k – число уровней до и после текущего, определяющее «ширину» окна сглаживания. Например, трехпериодная скользящая средняя (k=1) для уровня Y_t будет (Y_t-1 + Y_t + Y_t+1) / 3.
   • Преимущества: Эффективно устраняет случайные колебания, хорошо выявляет тренд.
   • Недостатки: Приводит к сокращению ряда по краям (потеря k уровней с начала и конца), выбор ширины окна k влияет на степень сглаживания и может быть субъективным.
3. Метод аналитического выравнивания (подбор аппроксимирующей функции):
   Этот метод предполагает, что основная тенденция динамического ряда может быть описана некоторой математической функцией (трендовой моделью). Задача состоит в подборе функции, которая наилучшим образом аппроксимирует исходные данные. Наиболее часто используются:
   • Линейный тренд (прямая): Yt = a0 + a1t. Применяется, когда явление развивается относительно равномерно.
   • Параболический тренд (парабола второго порядка): Yt = a0 + a1t + a2t2. Используется, когда темпы роста или снижения изменяются.
   • Экспоненциальный тренд: Yt = a0 ⋅ a1t. Подходит для явлений, развивающихся с постоянным темпом роста.
   • Принцип: Параметры функции (a₀, a₁, a₂ и т.д.) определяются методом наименьших квадратов, минимизируя сумму квадратов отклонений фактических значений от теоретических (вычисленных по трендовой модели).
   • Преимущества: Позволяет не только сгладить ряд, но и построить прогноз, а также получить аналитическое описание тренда.
   • Недостатки: Требует выбора адекватной функции, что не всегда очевидно.

Исследование сезонности:
Помимо тренда, динамические ряды могут содержать сезонные колебания – устойчивые внутригодовые изменения, повторяющиеся из года в год (например, рост спроса на недвижимость весной и осенью). Для их выявления рассчитываются индексы сезонности. Это отношение фактических значений за определенный месяц (квартал) к среднему значению за год или к трендовой компоненте.

Перспективные подходы:
Для более точного прогнозирования и выявления скрытых закономерностей могут применяться более сложные методы, такие как двойное экспоненциальное сглаживание Хольта. Этот метод особенно эффективен для рядов с трендом, так как он сглаживает не только уровень ряда, но и его трендовую компоненту.

Оценка точности моделей:
Независимо от выбранного метода, крайне важно оценить его точность. Для этого используются различные метрики, например, средняя абсолютная ошибка (MAE), средняя квадратичная ошибка (MSE) или средняя относительная ошибка аппроксимации (MAPE). В академических кругах принято считать, что модель обладает хорошей точностью, если ее средняя относительная ошибка аппроксимации не превышает 5%. Это является важным критерием при выборе оптимальной модели для анализа и прогнозирования цен на недвижимость.

Оценка статистической достоверности выводов и преодоление «статистического шума»

В контексте анализа цен на рынке недвижимости, особенно при работе с первичными или агрегированными данными (например, средними ценами по городу или области), возникает серьезная проблема, известная как «статистический шум». Этот шум маскирует истинные ценовые тенденции и может приводить к ошибочным выводам о резких скачках или замедлениях, которых на самом деле не происходит.

Причина «статистического шума»:
Основная причина кроется в изменении структуры предложения. Рынок недвижимости — это не гомогенный товар, а совокупность уникальных объектов. В разные периоды на рынок могут выходить или, наоборот, уходить из него различные типы жилья:

• В одном месяце на рынке доминируют продажи дорогого жилья в центре или элитных новостроек, что искусственно завышает среднюю цену.
• В следующем месяце активно продаются квартиры эконом-класса на окраинах или старый фонд, что снижает среднюю цену.
• Изменение доли однокомнатных vs. трехкомнатных квартир, готового жилья vs. на этапе строительства, объектов с ремонтом vs. без ремонта.

Все эти структурные сдвиги влияют на расчетную среднюю цену, создавая «ложное впечатление» о динамике, не отражающей реального изменения стоимости сопоставимых объектов. Именно для борьбы с этим Росстат использует методологию индексов цен с «товарами-представителями» и взвешиванием.

Методы оценки статистической достоверности выводов:
Для того чтобы избежать ложных интерпретаций и повысить надежность аналитических заключений, необходимо применять методы оценки статистической достоверности. Они помогают понять, насколько сильно наблюдаемые изменения отклоняются от случайных колебаний и можно ли считать их значимыми.

1. Расчет описательной статистики выборок:
   Прежде чем делать выводы о средней цене, важно оценить характеристики распределения цен в исследуемой выборке.
   • Размах (R): Разница между максимальным и минимальным значением в выборке. Показывает диапазон колебаний цен.
   • Среднеквадратичное отклонение (s): Характеризует степень рассеяния цен относительно среднего значения. Чем выше s, тем более неоднороден рынок.
   • Погрешность в определении средней: Позволяет оценить, насколько выборочная средняя цена близка к истинной средней генеральной совокупности.
2. Использование Стандартной ошибки среднего (SEM):
   SEM (Standard Error of the Mean) — это ключевой показатель, который измеряет точность, с которой выборочное среднее оценивает среднее генеральной совокупности. Чем меньше SEM, тем точнее наша оценка. Высокое значение SEM может свидетельствовать о том, что наблюдаемое изменение средней цены может быть обусловлено случайностью выборки, а не реальным трендом.

Формула для расчета Стандартной ошибки среднего:

SEM = σх̄ = s / √n

Где:

• s — стандартное отклонение выборки (рассчитывается по ценам за квадратный метр в определенном периоде);
• n — размер выборки (количество сделок или предложений, использованных для расчета средней цены).

Интерпретация:
Если, например, мы наблюдаем изменение средней цены на 1% за месяц, но при этом SEM для обеих средних составляет 0,8%, то это изменение может быть статистически незначимым, то есть оно могло произойти случайно. Однако, если SEM составляет 0,1%, то изменение на 1% будет считаться статистически значимым. Каков же реальный порог, после которого мы можем говорить об устойчивом тренде, а не о случайной флуктуации?

Преодоление «статистического шума»:
Помимо использования SEM, для преодоления «статистического шума» рекомендуется:

• Анализ однородных сегментов: Вместо анализа рынка в целом, фокусироваться на узких, максимально однородных сегментах (например, однокомнатные квартиры в типовых домах одного района).
• Использование медианных цен: Медиана менее чувствительна к выбросам (единичным очень дорогим или очень дешевым сделкам), чем среднее арифметическое.
• Анализ больших выборок: Чем больше размер выборки (n), тем меньше SEM и тем более достоверны выводы о средних значениях.
• Применение специализированных индексов: Методология Росстата с взвешенными индексами и «товарами-представителями» является примером такого подхода на государственном уровне.

Применение этих методов позволяет не просто констатировать факт изменения цен, но и оценить его статистическую значимость, что является неотъемлемой частью строгого академического анализа.

Анализ фактической динамики цен на рынке недвижимости Санкт-Петербурга и Ленинградской области (2018–2025 гг.)

Общая динамика цен на первичном и вторичном рынках (2018–2025 гг.)

Рынок недвижимости Санкт-Петербурга и Ленинградской области за последние годы продемонстрировал впечатляющую динамику, став ареной для значительных ценовых трансформаций. Анализ временных рядов цен на жилую недвижимость выявляет как периоды бурного роста, так и моменты замедления, обусловленные комплексом внутренних и внешних факторов.

Наиболее яркую картину роста демонстрирует первичный рынок жилья Санкт-Петербурга. За период с 2019 года по конец 2024 года средняя стоимость квадратного метра в новостройках города выросла на колоссальные 113,3%. Если в 2019 году средняя цена составляла около 123,5 тыс. рублей за квадратный метр, то к концу 2024 года она достигла уже 263,5 тыс. рублей. Этот рост более чем в два раза подчеркивает высокую инвестиционную привлекательность рынка и усиленный спрос.

Наиболее резкий скачок цен был зафиксирован в 2021 году, когда стоимость квадратного метра на первичном рынке Санкт-Петербурга увеличилась на 35% относительно 2020 года. Этот период характеризовался активным запуском льготных ипотечных программ, что стимулировало спрос, а также ростом инфляционных ожиданий и увеличением себестоимости строительства.

К концу 2024 года средневзвешенная цена на первичном рынке Санкт-Петербурга (включая классы комфорт, бизнес и премиум) достигла отметки в 296 тыс. руб./кв. м. Годовой рост составил 11%, что, по оценкам экспертов, оказалось сопоставимо с общим уровнем инфляции в стране. Это указывает на определенную стабилизацию, когда рост цен обусловлен скорее общеэкономическими процессами, нежели ажиотажным спросом.

В 2024 году на первичном рынке Санкт-Петербурга действительно наблюдалось некоторое замедление прироста цен, составившее 1,87% за 12 месяцев. Этот факт свидетельствует о возможном насыщении рынка и более осторожной реакции покупателей на дальнейший рост стоимости.

Параллельно развивался и рынок новостроек Ленинградской области, где максимальный прирост средней цены метра был отмечен в период с 2020 по 2022 годы, составив внушительные 57,7%. После этого пика темпы роста существенно снизились, что может быть связано с исчерпанием первоначального потенциала роста и изменением макроэкономического фона. Тем не менее, рынок области продолжает демонстрировать положительную динамику, привлекая покупателей более доступными ценами по сравнению с городом.

Актуальные тенденции (2024–2025 гг.)

Последние данные по рынку недвижимости Санкт-Петербурга и Ленинградской области, относящиеся к 2024–2025 годам, демонстрируют продолжение сложных и многогранных тенденций, отражающих как инерцию прошлых лет, так и новые вызовы.

По состоянию на август 2025 года, средняя стоимость квадратного метра в новостройках Санкт-Петербурга достигла 298,7 тыс. рублей. Это представляет собой значительный годовой рост на 16,6% (или 42,6 тыс. рублей) по сравнению с августом 2024 года. Несмотря на замедление, зафиксированное в конце 2024 года, начало 2025 года вновь показало усиление ценового давления.

В то же время, весной 2025 года наметились интересные расхождения в динамике сегментов. В марте 2025 года цены на новостройки в Санкт-Петербурге демонстрировали умеренный, но устойчивый рост: +2,23% к февралю, со средней ценой 263 000 руб./кв. м. Напротив, вторичный рынок в тот же период показал стабилизацию и даже некоторое снижение: в марте -0,9%, со средней ценой 203 300 руб./кв. м. Это расхождение ярко иллюстрирует разную реакцию первичного и вторичного рынков на макроэкономические условия и господдержку.

К сентябрю 2025 года средняя цена предложения на первичном рынке Санкт-Петербурга составляла 285 336 руб./кв. м, в то время как на вторичном рынке — 209 593 руб./кв. м. Разница в ценах между первичным и вторичным рынками сохраняется, что отчасти объясняется активным использованием льготных ипотечных программ для новостроек.

Особого внимания заслуживают данные за октябрь 2025 года, которые указывают на новые изменения. По данным ипотечных сделок, на первичном рынке Санкт-Петербурга было зафиксировано снижение стоимости новостроек на 2,3% за месяц. Это может быть первым сигналом коррекции после длительного роста, возможно, связанным с изменением условий льготных программ или реакцией на высокую ключевую ставку. При этом в Ленинградской области в тот же период наблюдался противоположный тренд — рост на 2,5%. Это различие подчеркивает региональные особенности и неоднородность рынка, где Ленинградская область может выступать «убежищем» для тех, кто ищет более доступное жилье.

Что касается Ленинградской области, то в августе 2025 года средняя стоимость «квадрата» достигла 162,6 тыс. рублей, показав уверенный рост на 7,5% по сравнению с августом 2024 года. Это свидетельствует о продолжающемся развитии пригородных территорий и их растущей привлекательности.

Таким образом, рынок недвижимости в регионе продолжает активно развиваться, но с различными векторами и скоростями в разных сегментах и географических зонах, что требует постоянного и детального мониторинга.

Результаты расчетов показателей динамических рядов

Для иллюстрации выявленных тенденций и более глубокого понимания динамики цен на рынке недвижимости Санкт-Петербурга, проведем расчет ключевых показателей динамических рядов на основе условных, но репрезентативных данных по средней цене квадратного метра на первичном рынке за последние годы.

Исходные данные (условные, на основе фактических тенденций):

Год	Средняя цена, тыс. руб./м2 (Yt)
2019	123,5
2020	140,0
2021	189,0
2022	230,0
2023	250,0
2024	263,5
Август 2025	298,7

Расчеты показателей динамического ряда (базисный год — 2019):

Год/Период	Средняя цена (Yt)	Абсолютный прирост (ΔYц)	Темп роста (Tрц, коэффициент)	Темп роста (Tрц, %)	Темп прироста (Tпрц, %)	Абсолютный прирост (ΔYб)	Темп роста (Tрб, коэффициент)	Темп роста (Tрб, %)	Темп прироста (Tпрб, %)	1% прироста (цепной)
2019	123,5	—	—	—	—	—	—	—	—	—
2020	140,0	16,5	1,133	113,3%	13,3%	16,5	1,133	113,3%	13,3%	1,235
2021	189,0	49,0	1,350	135,0%	35,0%	65,5	1,530	153,0%	53,0%	1,400
2022	230,0	41,0	1,217	121,7%	21,7%	106,5	1,862	186,2%	86,2%	1,890
2023	250,0	20,0	1,087	108,7%	8,7%	126,5	2,024	202,4%	102,4%	2,300
2024	263,5	13,5	1,054	105,4%	5,4%	140,0	2,134	213,4%	113,4%	2,500
Авг 2025	298,7	35,2	1,130	113,0%	13,0%	175,2	2,419	241,9%	141,9%	2,635

Интерпретация таблицы:

• Абсолютные приросты (ΔY): Цепные приросты показывают, что наиболее значительный рост цен в абсолютном выражении произошел в 2021 году (+49 тыс. руб./м²), а затем в 2022 году (+41 тыс. руб./м²), что соответствует периоду активной льготной ипотеки. К 2024 году прирост замедлился до 13,5 тыс. руб./м², но в августе 2025 года вновь ускорился (+35,2 тыс. руб./м²), демонстрируя возобновление давления на цены. Базисный прирост отражает суммарный рост с 2019 года, достигнув +175,2 тыс. руб./м² к августу 2025 года.
• Темпы роста (T_р): Цепные темпы роста показывают, что в 2021 году цены выросли в 1,35 раза (на 35%), а в 2022 году – в 1,217 раза (на 21,7%). К 2024 году относительные темпы замедлились (рост на 5,4%), но в августе 2025 года снова ускорились (рост на 13%). Базисные темпы роста показывают, что к августу 2025 года цены выросли в 2,419 раза (на 141,9%) относительно 2019 года.
• Абсолютное значение 1% прироста: Этот показатель увеличивается по мере роста цен, что означает, что 1% прироста в 2024 году (2,5 тыс. руб./м²) в абсолютном выражении значительно больше, чем 1% прироста в 2020 году (1,235 тыс. руб./м²), даже если относительный темп прироста был ниже.

График динамики цен и тренда (скользящая средняя):

Для выявления основного тренда и сглаживания случайных колебаний, применим метод скользящей средней. Используем 3-периодную скользящую среднюю.

Год/Период	Средняя цена (Yt)	3-периодная скользящая средняя (Ȳt)
2019	123,5	—
2020	140,0	150,8 (для 2020)
2021	189,0	186,3 (для 2021)
2022	230,0	223,0 (для 2022)
2023	250,0	247,8 (для 2023)
2024	263,5	270,7 (для 2024)
Авг 2025	298,7	—

Примечание: для первых и последних точек ряда скользящая средняя не рассчитывается, так как не хватает соседних значений.

Выводы по тренду:
График сглаженных данных отчетливо демонстрирует устойчивый восходящий тренд на первичном рынке недвижимости Санкт-Петербурга на протяжении всего анализируемого периода. Даже при замедлении темпов роста в отдельные годы (например, 2024), общая тенденция остается положительной. Метод скользящей средней помогает нам увидеть эту основную линию развития, абстрагируясь от краткосрочных флуктуаций, и подтверждает, что рынок в целом находится в фазе роста. Применение аналитического выравнивания, например, путем подбора линейной или экспоненциальной функции, позволило бы получить математическое описание этого тренда и использовать его для дальнейшего прогнозирования.

Макроэкономические факторы влияния и пути совершенствования анализа

Влияние ключевой ставки ЦБ РФ и ипотечных программ

Рынок недвижимости, особенно его ценовая динамика, является одним из наиболее чувствительных к изменениям макроэкономической конъюнктуры. В России одним из доминирующих факторов, определяющих «погоду» на жилищном рынке, выступает ключевая ставка Центрального банка Российской Федерации.

На текущую дату, 23 октября 2025 года, ключевая ставка ЦБ РФ составляет 17,00% годовых. Это значение, хотя и снижено с рекордных 21%, действовавших с начала года, остается чрезвычайно высоким. Ключевая ставка является основным ориентиром для коммерческих банков при формировании процентных ставок по кредитам, включая ипотечные.

Как высокая ключевая ставка влияет на рынок:

1. Доступность классической ипотеки: При ставке ЦБ в 17,00% коммерческие банки вынуждены предлагать ипотечные кредиты по ставкам, значительно превышающим это значение (например, 18-20% и выше, учитывая маржу). Такие условия делают классическую ипотеку практически недоступной для подавляющего большинства потенциальных покупателей. Ежемесячные платежи становятся непосильными, а переплата по кредиту — астрономической.
2. Переориентация спроса на льготные программы: В условиях дорогой классической ипотеки спрос на жилье не исчезает полностью, но перенаправляется на программы с государственным субсидированием. Это, прежде всего, льготная ипотека, семейная ипотека, IT-ипотека и другие специальные предложения. Благодаря субсидированию со стороны государства, процентные ставки по этим программам значительно ниже рыночных, что делает их привлекательными для заемщиков.
   • По состоянию на октябрь 2025 года, около 80% всех ипотечных кредитов выдается именно в рамках льготных программ. Это подчеркивает критическую зависимость рынка первичного жилья от государственной поддержки.
3. Влияние на первичный рынок: Льготные ипотечные программы исторически были ориентированы преимущественно на покупку жилья в новостройках. Это создает искусственный, но мощный стимул для спроса на первичном рынке. Застройщики, имея гарантированный спрос, могут удерживать или даже повышать цены, несмотря на высокую ключевую ставку. Таким образом, льготная ипотека выступает основным драйвером роста цен на первичном рынке и фактически субсидирует не столько покупателей, сколько девелоперов, поддерживая их проекты и прибыль.
4. Влияние на вторичный рынок: Рынок вторичного жилья лишен широких льготных программ. Поэтому он более остро реагирует на повышение ключевой ставки. Рост ипотечных ставок для «вторички» приводит к резкому снижению спроса, поскольку покупатели либо не могут получить одобрение, либо не готовы платить высокие проценты. Это, в свою очередь, ведет к снижению цен или их стагнации в некоторых сегментах вторичного рынка, а также к увеличению сроков экспозиции объектов.

Таким образом, ключевая ставка ЦБ РФ действует как мощный регулятор, создавая своего рода «ножницы» между первичным и вторичным рынками, где первый поддерживается государством, а второй испытывает все тяготы рыночной конъюнктуры. Любые изменения в политике ЦБ или условиях льготных программ могут кардинально изменить расстановку сил и динамику цен в регионе.

Другие социально-экономические факторы

Помимо ключевой ставки и ипотечных программ, на динамику цен на недвижимость в Санкт-Петербурге и Ленинградской области оказывает влияние целый комплекс взаимосвязанных социально-экономических факторов. Эти факторы формируют общую картину рыночной конъюнктуры и могут как стимулировать, так и сдерживать рост цен.

1. Общая экономическая ситуация и доходы населения:
   • Макроэкономическая стабильность: Рост ВВП, устойчивость национальной экономики, низкий уровень инфляции (вне ценовых скачков) способствуют уверенности потребителей и стимулируют инвестиции в недвижимость.
   • Реальные располагаемые доходы населения: Это, пожалуй, самый фундаментальный фактор. Когда доходы растут, увеличивается покупательная способность, и больше людей могут позволить себе жилье или улучшить жилищные условия. Снижение доходов, напротив, ведет к падению спроса и давлению на цены. В 2024-2025 годах, несмотря на инфляцию, наблюдается определенная адаптация доходов, но их рост не всегда опережает рост цен на жилье.
2. Валютные колебания:
   • Для российского рынка недвижимости, особенно в крупных мегаполисах, таких как Санкт-Петербург, валютные колебания имеют существенное значение. Ослабление рубля, как правило, приводит к росту стоимости импортных строительных материалов и оборудования, что увеличивает себестоимость строительства для девелоперов. Этот рост неизбежно транслируется в конечные цены для покупателей. Кроме того, недвижимость часто рассматривается как защитный актив от девальвации рубля, что может стимулировать инвестиционный спрос в периоды валютной нестабильности.
3. Активность инвесторов:
   • Рынок недвижимости Санкт-Петербурга традиционно привлекателен для инвесторов, которые приобретают жилье как для сохранения капитала, так и для получения дохода от аренды или перепродажи. Высокая активность инвесторов, особенно в периоды низких депозитных ставок или высокой инфляции, может «перегревать» рынок, создавая дополнительный спрос и способствуя росту цен. Снижение инвестиционной привлекательности (например, из-за высоких процентных ставок, ужесточения регулирования или появления более выгодных альтернатив) может привести к оттоку капитала и замедлению роста цен.
4. Снижение объемов нового предложения и рост себестоимости строительства:
   • Ограничение предложения: В 2024 году в Санкт-Петербурге наблюдалось снижение объемов вывода нового предложения на рынок на 34% относительно 2023 года. Это критический фактор. Меньшее количество новых проектов означает меньший объем квартир, которые поступят в продажу через 1-2 года, что создает дефицит и оказывает повышательное давление на цены. Причины могут быть разными: от сложностей с получением разрешений до перераспределения земельных участков.
   • Рост себестоимости строительства: Это постоянный фактор давления на цены. Удорожание строительных материалов (металл, бетон, дерево), рост заработных плат в строительной отрасли, усложнение логистики и требований к энергоэффективности — все это напрямую увеличивает затраты девелоперов.
     • Формально этот рост отражается в Индексах изменения сметной стоимости строительства (ИСС), которые ежеквартально публикуются Минстроем России. Например, индексы на III квартал 2025 года показывают, что по многим видам работ и материалов рост продолжается, что гарантирует дальнейшее давление на цены новостроек. Застройщики не могут продавать квартиры ниже себестоимости, поэтому рост ИСС неизбежно приводит к увеличению цен на готовую продукцию.

Таким образом, рынок недвижимости в Санкт-Петербурге и Ленинградской области формируется под воздействием многомерной системы факторов, где макроэкономические условия, государственная политика, инвестиционная активность и производственные издержки тесно переплетаются, определяя текущую динамику и будущие тренды.

Пути совершенствования статистического учета и анализа цен на недвижимость

Для повышения точности прогнозирования, адекватности принимаемых управленческих решений и общей информативности статистического анализа цен на рынке недвижимости необходимо постоянно совершенствовать как методы учета, так и аналитические подходы. Нынешний метод прямого расчета средней цены, несмотря на свою простоту, имеет существенный недостаток: он подвержен «статистическому шуму», возникающему из-за постоянного изменения структуры предложения. Это может создавать ложное впечатление о резких скачках цен или темпов их изменения, когда на самом деле меняется лишь состав объектов на рынке, а не их истинная стоимость.

Для преодоления этих ограничений и повышения качества анализа предлагаются следующие пути совершенствования:

1. Детальная статистическая обработка данных и расширение описательной статистики:
   • Расчет описательной статистики выборок: Необходимо регулярно публиковать не только средние цены, но и более широкий спектр описательных статистик для выборок данных о ценах. Это включает:
     • Размах цен: Разница между максимальной и минимальной ценой, которая покажет диапазон колебаний.
     • Медиана: Значение, разделяющее выборку пополам, менее чувствительное к выбросам, чем среднее арифметическое.
     • Квартили и децили: Позволяют оценить распределение цен по сегментам (например, 25% самых дешевых, 25% самых дорогих).
     • Стандартное отклонение (s): Покажет степень разброса цен вокруг среднего, что критически важно для оценки однородности рынка.
     • Коэффициент вариации: Позволит сравнить относительную изменчивость цен в различных сегментах рынка или регионах.
   • Применение Стандартной ошибки среднего (SEM): Как уже обсуждалось, SEM = s / √n является незаменимым инструментом для оценки статистической достоверности выводов. Регулярная публикация SEM для средних цен позволит пользователям данных понимать, насколько наблюдаемые изменения являются статистически значимыми, а не случайными флуктуациями.
2. Развитие методологии «товаров-представителей» и гедонических индексов:
   • Хотя Росстат уже использует методологию индексов цен с «товарами-представителями», ее можно детализировать и расширить. Создание более гранулированных наборов «товаров-представителей» для разных классов жилья (эконом, комфорт, бизнес, премиум), разных типов домов и локаций внутри Санкт-Петербурга и Ленинградской области позволит еще точнее отслеживать динамику цен в конкретных сегментах.
   • Активное развитие гедонических индексов цен, которые учитывают изменение качества продаваемых объектов, является ключевым направлением. Это позволит очистить ценовую динамику от влияния изменения совокупности характеристик жилья на рынке и получить «чистый» ценовой индекс.
3. Интеграция данных и межведомственное взаимодействие:
   • Необходимо усилить взаимодействие между Росстатом, органами регистрации недвижимости (Росреестр), крупными девелоперами и ипотечными банками. Это позволит получать более полные и оперативные данные о реальных сделках, а не только о предложениях, что существенно повысит качество анализа.
   • Использование больших данных (Big Data) и машинного обучения для автоматизированной обработки объявлений о продаже и данных о сделках может значительно улучшить точность и оперативность мониторинга.
4. Развитие регионального мониторинга и прогнозирования:
   • Результаты углубленных статистических исследований, проведенных с использованием вышеуказанных методов, могут быть активно использованы Росстатом для создания более детализированных и точных отчетов по мониторингу рынка на региональном уровне (например, для Санкт-Петербурга и Ленинградской области в разрезе районов и сегментов).
   • Для Минэкономразвития такие данные станут незаменимой основой для разработки и корректировки программ поддержки жилищного строительства, оценки их эффективности и прогнозирования потребности в жилье. Точное понимание динамики цен и факторов влияния позволит более адресно направлять ресурсы и регулировать рынок.

Внедрение этих мер позволит перейти от простого констатации фактов к глубокому, научно обоснованному анализу, который будет способствовать формированию более прозрачного, предсказуемого и стабильного рынка недвижимости.

Заключение

Проведенное исследование выявило сложность и многогранность динамики цен на рынке жилой недвижимости Санкт-Петербурга и Ленинградской области за период с 2018 по 2025 годы, подтвердив высокую актуальность темы в контексте социально-экономического развития региона.

В ходе работы были изучены теоретические основы статистического анализа динамических рядов, где было дано четкое определение ряда динамики, его уровней и видов (интервальный, моментный). Рассмотрены базовые принципы ценообразования на рынке жилья, включая гедоническую модель, и подробно проанализирована официальная статистическая методология Росстата по наблюдению за ценами (Приказ Росстата от 12.08.2022 № 572), подчеркнув важность взвешенных индексов и «товаров-представителей» для преодоления «статистического шума».

Глубокий анализ методов и аналитических показателей динамических рядов позволил детально рассмотреть расчет базисных и цепных показателей (абсолютный прирост, темп роста, темп прироста, абсолютное значение 1% прироста), а также методы выявления тренда и сглаживания, такие как укрупнение интервалов, скользящая средняя и аналитическое выравнивание. Особое внимание было уделено проблеме «статистического шума» и методам оценки достоверности выводов, включая использование описательной статистики и Стандартной ошибки среднего (SEM) по формуле SEM = s / √n.

Эмпирический анализ фактической динамики цен на первичном и вторичном рынках Санкт-Петербурга и Ленинградской области (2018–2025 гг.) продемонстрировал значительный рост средней стоимости квадратного метра, особенно на первичном рынке Санкт-Петербурга (более чем на 113% с 2019 по 2024 гг.). Были выявлены периоды резкого роста (например, 2021 год в СПб — +35%) и последующего замедления. Актуальные данные на август-октябрь 2025 года показали продолжение роста в новостройках Санкт-Петербурга (до 298,7 тыс. руб./кв. м) и Ленинградской области (162,6 тыс. руб./кв. м), но и зафиксированное снижение в октябре 2025 года в СПб (-2,3%), что может быть сигналом к коррекции.

Оценка макроэкономических факторов влияния подтвердила доминирующую роль ключевой ставки ЦБ РФ (на 23 октября 2025 года – 17,00%) и ипотечных программ. Высокая ставка делает классическую ипотеку практически недоступной, перенаправляя около 80% спроса на льготные программы, которые поддерживают первичный рынок. Вторичный рынок, напротив, острее реагирует на повышение ставки. Среди других значимых факторов выделены общая экономическая ситуация, доходы населения, валютные колебания, активность инвесторов, а также снижение объемов нового предложения и рост себестоимости строительства, который отражается в Индексах изменения сметной стоимости строительства (ИСС) Минстроя на III квартал 2025 года.

Цель и задачи работы были успешно достигнуты. Проведен всесторонний статистический анализ, выявлены ключевые тренды и факторы влияния, а также предложены конкретные пути совершенствования статистического учета и анализа цен. К ним относятся более детальная обработка данных, расширенное использование описательной статистики и SEM, развитие методологии гедонических индексов и усиление межведомственного взаимодействия.

Полученные результаты имеют высокую научную и практическую значимость. Для студентов, исследователей и участников рынка недвижимости они предоставляют глубокое понимание методологии и эмпирической картины динамики цен. Для Росстата и Минэкономразвития данные могут служить основой для более точного мониторинга рынка, разработки эффективных программ поддержки жилищного строительства и повышения точности прогнозирования.

Возможные направления для дальнейших исследований могут включать: более детальный корреляционно-регрессионный анализ влияния макроэкономических факторов на цены в разрезе различных сегментов жилья; разработка и тестирование прогностических моделей на основе двойного экспоненциального сглаживания Хольта с оценкой их точности; а также сравнительный анализ динамики цен в Санкт-Петербурге и других крупных мегаполисах России.

Список использованной литературы

1. Башкатов Б.И. Экономическая статистика: Учебное пособие. М.: МЭСИ, 2002.
2. Данные Интернета: www.eip.ru, http://stat.hse.ru.
3. Илларионов О. Статистика. М.: Финансы, 196 с.
4. Козлова С.В. Анализ факторов, влияющих на цены // Экономика и мат. методы. 1994. Т. 30, вып. 3.
5. Кулагина Г.Д., Башкатов Б.И. Экономические показатели и социальная статистика: Учебное пособие. М.: МЭСИ, 2000. 112 с.
6. Методологические положения по статистике. Вып. 1. М.: Госкомстат России, 1996.
7. Общая теория статистики: Статистическая методология в изучении коммерческой деятельности: Учебник / А.И. Харламов и др. М.: Финансы и статистика, 1994. 396 с.
8. Показатели отечественной статистики: Учебное пособие / В.П. Сафронова. М.: Финстатинформ, 1999. 78 с.
9. Проблемы прогнозирования. М., 2000. №1.
10. Российский статистический ежегодник: Стат. сб. / Госкомстат РФ. М., 2002.
11. Рябушкин Б.Т. Национальные счета и экономические балансы: Практикум. М.: Финансы и статистика, 2003. 128 с.
12. Социальная статистика: Учебник / Под ред. чл.-корр. РАН Н.Н. Елисеевой. М., 1999. 485 с.
13. Теория статистики: Учебник / Под ред. проф. Р.А. Шмойловой. 3-е изд., перераб. М.: Финансы и статистика, 1999. 560 с.
14. Экономическая статистика: Учебник / Под ред. Ю.Н. Иванова. 2-е изд., доп. М.: Инфра-М, 2001. 480 с.
15. Экономическая статистика / Под ред. М.В. Яблокова. М.: Статистика, 2003. 401 с.
16. Лекция 13 Способы обработки динамического ряда. URL: https://ektu.kz.
17. Методы выравнивания динамических рядов Метод укрупнения периодов. URL: https://orgma.ru.
18. Методы скользящей средней и укрупнения интервалов. URL: https://100task.ru.
19. Методы анализа временных рядов: сглаживание — Форсайт. URL: https://fsight.ru.
20. ВЛИЯНИЕ СТАВКИ ПО ИПОТЕЧНЫМ КРЕДИТАМ НА СТОИМОСТЬ ЖИЛОЙ НЕДВИЖИМОСТИ. URL: https://cyberleninka.ru.
21. Как ключевая ставка влияет на цены на недвижимость. URL: https://anksk.ru.
22. Ряды динамики — лекция по статистике для заочного отделения. URL: https://chaliev.ru.
23. Статистика Ряды динамики Темпы роста прироста трендовые модели. URL: https://stat-ist.ru.
24. 7.3. Аналитические показатели ряда динамики. URL: https://mrsu.ru.
25. ЛЕКЦИЯ 4. РЯДЫ ДИНАМИКИ 1. Понятие и виды рядов динамики 2. Статистическ. URL: https://vgsa.ru.
26. Цепные показатели ряда динамики. Пример расчета. URL: https://semestr.ru.
27. Айткенов Д.Е. АНАЛИЗ ТРЕНДОВ РЫНКА НЕДВИЖИМОСТИ: МЕТОДЫ И ПОДХОДЫ. URL: https://xn—-8sbempclcwd3bmt.xn--p1ai.
28. Методология расчета индексов рынка недвижимости. URL: https://irn.ru.
29. Цены на новостройки и вторичное жильё в Санкт-Петербурге: итоги весны 2025 года. URL: https://obzor78.ru.
30. Аналитика рынка недвижимости Санкт-Петербурга. URL: https://bn.ru.
31. Методологические положения по наблюдению за уровнем и динамикой цен на рынке жилья. URL: https://rosstat.gov.ru.
32. Статистическое исследование рынка жилья Российской Федерации — Государственный университет управления. URL: https://guu.ru.
33. СТРУКТУРНЫЕ ИЗМЕНЕНИЯ НА РЫНКЕ ЖИЛОЙ НЕДВИЖИМОСТИ В 2020 ГОДУ: ЭКСПАНСИЯ ГОСУДАРСТВЕННОЙ ПОДДЕРЖКИ И СИСТЕМНЫЙ РОСТ ИНДИВИДУАЛЬНОГО ЖИЛИЩНОГО СТРОИТЕЛЬСТВА. URL: https://cyberleninka.ru.
34. Динамика рынка недвижимости — как менялись цены на квартиры за последние 25 лет в России. URL: https://samolet.ru.
35. За пять лет новостройки в Петербурге подорожали более чем в два раза. URL: https://stroygaz.ru.
36. Динамика показателей продаж 2020-2024: Санкт-Петербург и Ленинградская область. URL: https://bnmap.pro.
37. Итоги 2024 | Россия | Санкт-Петербург | Жилая недвижимость. URL: https://nikoliers.ru.
38. Рост цен на недвижимость в Санкт-Петербурге: анализ и прогнозы. URL: https://sosedi.life.
39. Динамика цен на жилую недвижимость в городе Санкт-Петербурге: анализ и прогнозы. URL: https://1economic.ru.
40. Цена продажи квартир в Ленобласти. URL: https://restate.ru.
41. Рынок недвижимости Петербурга и Ленобласти оживился в августе, но годовые показатели остаются ниже уровня 2024 года. URL: https://bnmap.pro.
42. Цены на жильё в СПб: статистика по районам, где дороже всего. URL: https://dp.ru.