我国新一线城市房价走势特征及影响因素分析Word文件下载.docx
- 文档编号:433680
- 上传时间:2023-04-28
- 格式:DOCX
- 页数:6
- 大小:131KB
我国新一线城市房价走势特征及影响因素分析Word文件下载.docx
《我国新一线城市房价走势特征及影响因素分析Word文件下载.docx》由会员分享,可在线阅读,更多相关《我国新一线城市房价走势特征及影响因素分析Word文件下载.docx(6页珍藏版)》请在冰点文库上搜索。
江西省高校人文社会科学研究项目(JJ18109)。
收稿日期:
2019-02-28
作者简介:
马娟,女,重庆石柱人,江西外语外贸职业学院会计金融学院副教授,研究方向为财务管理和金融大数据。
陈兰兰,女,江西九江人,华东交通大学理学院,研究方向为机器学习和大数据分析。
—、引言
2018年公布的15个新一线城市包括成都市、杭州市、重庆市、武汉市、苏州市、西安市、天津市、南京市、郑州市、长沙市、沈阳市、青岛市、宁波市、东莞市、无锡市,这些城市具有雄厚的经济基础、便利的交通以及独特的城市魅力等优势。
与一线城市相比,新一线城市在人口、产业、区位、带动力和影响力方面仍存在差距,但也蕴含着巨大的发展前景,部分新一线城市从某些方面来看具有跃居一线的潜力。
一个城市的房价走势往往能反映这个城市的发展状况,房价走势涉及经济、政治、文化等诸多方面。
因此,本文从2018年新一线城市房价入手,分析其走势特征和影响因素。
通过分析新一线城市房价在其影响因素下的市场运作规律,实现对房价走势的有效判断,为当前房价政策的调控提供理论依据和经验启示。
国内外学者对房价规律的研究从未停止,一直在
探寻预测房价指数的有效方法。
李永友(2014)基于住房特征价格模型对房价上涨进行研究,研究表明,需求驱动和价格变化的涟漪效应推动了房价的上涨。
张浩等(2015)基于LSTVAR模型研究不同政策在不确定性环境下宏观变量冲击对房价波动的影响,实证研究表明,宏观环境向好会引起房价的正向波动,而不同的政策不确定性背景下,宏观冲击对房价波动的影响存在差异性。
Huietal.(2016)基于代际交叠模型研究生育率对中国代际财富转移机制中的住房价格的影响,实证研究表明,代际财富转移对房价产生了积极影响,并受前几代生育率和住房消费的影响。
龚维进和徐春华(2017)基于空间杜宾模型研讨交通便利性、开放水平对中国房价的影响,实证研究表明,城市交通便利程度的变化和对外贸易对房价产生显著促进作用,两者之间的交互作用对房价也有显著影响。
Lietal.(2017)以北京为例,基于城市活动互动规则探索城市住房价格的空间异质性,实证研究发现,四代及以上家庭的需求和房价最为相关,原因可能是拥有更多的家庭成员,需求更加多样化。
张洋(2018)基于协整模型研究信贷与房价的关系,实证研究表明,房价与信贷之间互为因果,互相推动,并证实信贷与房价正反馈的理论机制。
从上述文献来看,国内外对中国房价影响因素的研究很多,包括需求驱动、人口结构、交通便利和对外开放水平等,这些影响因素对新一线城市房价潜力研究具有一定参考价值,但并不全面。
因此,本义从经济水平、人口、产业结构和信贷等多方面,基于遗传BP神经网络模型对我国新一线城市房价走势进行实证分析与研究。
二、我国新一线城市房价走势特征及其影响因素分析
(一)我国新一线城市房价走势特征
随着我国经济的增长,人们生活水平普遍提高,大部分城市的房价普遍呈上涨趋势。
新一线城市房价的上涨幅度比较明显,其中杭州、南京、天津、青岛、武汉五个新一线城市房价走势最具代表性。
图1为2014至2017年杭州、南京、天津、青岛、武汉五个新一线城市的每月平均房价走势图,由此可见,我国新一线城市房价具有以下几个特征。
第一,房价整体呈现上涨趋势。
就2014-2017年五个新一线城市房价走势来看,2016年下半年房价开始上涨,2017年上半年涨幅最为明显。
第二,房价上涨速度具有不稳定性。
2016T半年至2017±
半年房价上涨速度较快,而2014至2016年房价基本稳定,2017年下半年房价涨跌互现,但幅度不大,故房价上涨态势并不稳定。
第三,房价上涨年份分布不均衡。
房价上涨集中于2016T半年至2017±
半年,其前后上涨趋势不明显。
以天津为例,四年内房价涨幅为10222元/平米,与其他城市相比涨幅最大,但其在2016下半年至2017上半年这一年内涨幅为7470元/平米,占总涨幅的73%左右,其他年份占比较少。
通过对杭州、南京、天津、青岛、武汉五个新一线城市房价走势分析发现,我国新一线城市房价普遍呈上涨趋势,但上涨态势不稳定,因此,未来房价走势如何,还需对房价影响因素作进一步研究。
(二)我国新一线城市房价走势的影响因素分析
近年来,我国新一线城市房价逐渐呈上升趋势,而影响房价上涨的因素有很多。
通过查阅大量文献,并根据经济理论对房价的解释以及实际观察,经过梳理,考虑直观上有线性关系的因素,初步选取以下影响因素,并分析其与房价的关系。
1.全市生产总值:
表示城市经济发展水平,一般来讲,城市经济发展水平越高,经济增长越快、金融形势越好,其房地产市场需求越大,从而房价总体水平也越高。
2.年末从业人数:
从业人数越多,反映居民消费水平越高,从而促进房地产需求,推动房价提高。
3.常住人口数量:
人口越多,住房需求也越大,从而间接促进房价上涨。
4.产业结构:
即第三产业与第二产业产值之比,第三产业生产总值反映国民经济水平,也反映这个城市的行政等级、所处地位以及教育、医疗等公共资源的分配,因此产业结构逐渐优化时,房价也越高O
5.全社会在岗职工年平均工资:
在岗职工年平均工资反映了居民收入情况,影响居民消费能力,从而影响房地产需求。
6.金融机构贷款余额:
住房贷款占金融机构贷款余额的主要部分,贷款余额越多间接反映房价上涨越快。
7.城乡居民储蓄余额:
居民储蓄余额与房价呈反比例变化。
8.居民消费价格指数:
反映居民家庭购买的消费品和服务价格水平的变动情况,影响城乡居民生活支出,从而影响住房需求。
9.规模以上工业企业利税总额:
规模以上工业企业中房地产份额较重,一般利税越高,房地产的价格也越高。
10.财政总收入:
房地产相关财政收入在财政总收入中占比很大,从而财政总收入增长,反映了房地产价格上涨。
11.城镇住户人均住房建筑面积:
反映了房屋供给能力,一定程度上影响了房地产需求。
12.净迁入人口:
人口迁入量大表明此城市经济发展迅速、人口数量增加,从而影响房地产需求。
三、变量与数据来源
(_)样本选取
本文选择杭州市为研究样本,杭州作为新兴城市的代表,无论近年经济发展情况,还是历史地域背景,在15个新一线城市中都较为典型。
因此,选择杭州市为研究样本,预测其房价走势,对其余14个新一线城市房价走势的研究具有一定参考性。
其中样本数据来自《中国杭州统计年鉴》(2009-2017)o2009-2017年杭州房价走势如图2所示。
图22009-2017年杭州房价走势
(二) 自变量设计
通过对我国新一线城市房价走势影响因素分析,提取出12个指标作为自变量,具体如表1所示。
(三) 因变量设计
根据本文的研究对象,选取杭州市2009-2017年月度房价作为模型的因变量设计基础,房价单位为
表1自变量说明
元/平米,再计算每年房价的平均值,得到因变量的最终取值,设每年平均房价为。
。
四、研究方法
(一) 遗传BP神经网络算法
遗传算法(GA)是模拟自然界生物进化论而成的一种优化方法,具有鲁棒性、全局性和随机性并行的特点,常与BP神经网络相结合,以优化BP神经网络。
BP神经网络可分为输入层、隐含层和输出层,对各层神经元之间的连接权值,初始阈值十分敏感,若设置不合理,可能造成陷入局部最优解和收敛速度慢等问题。
而将遗传算法引入BP神经网络可以很好地改善此问题,提高网络收敛速度,降低陷入局部最优解的概率。
(二) 算法实现描述
本文研究对象是房价走势预测模型,因此输出变量是未来的预测房价,输入变量是影响房价走势的因素,故设计3层BP神经网络,具体步骤如下(徐春华等,2012):
1.数据归一化处理,分成训练样本和测试样本;
2.参数设置,设置包括种群规模、隐含层节点数等参数;
3.种群初始化,随机生成N个个体,个体编码为实数编码,每个个体均为一个实数串,包括输入层与隐含层连接权值、隐含层与输出层连接权值以及隐含层和输出层阈值;
4.适应度函数确定,设适应度函数为F,即BP神经网络的预测输出和期望输出之间的绝对误差和的倒数:
《区域金融研究》2019年第6期
经济纵横
其中C为种群个体数,E为个体i的适应度值;
6.交叉操作,以交叉概率p,交换两个配对个体中的部分基因,产生两个新的个体;
7.变异操作,以变异概率p,.对第i个个体的第j.个基因进行变异操作,用以增加种群的多样性;
8.适应度函数值计算,如果满足算法结束条件则输出优化阈值和权值,如果不满足算法结束条件,则返回第3步,进入下一轮训练;
9.将遗传算法输出的优化阈值和权值作为BP神经网络的初始阈值和权值,再对BP神经网络进行训练,得到房价预测模型;
10.用测试样本检验房价预测模型的泛化能力。
五、实证分析
(一)基于Lasso方法的变量选择
通过Python3.5,利用Lasso方法进行房价影响因素的变量选择,筛选结果如表2所示。
表2系数表
由表2可见,年末从业人数、产业结构、金融机构贷款余额、城乡居民储蓄余额、规模以上工业企业利税总额以及净迁入人口的系数不为0,为影响房价的关键因素。
而其余变量系数为0,则在使用模型时剔除变量,年末从业人数与常住人口存在一定的共线性;
全社会在岗职工年平均工资、居民消费价格指数以及财政总收入和房价的相关性太小以致可以忽略;
城镇住户人均住房建筑面积对房价的影响较小,所以这些因素都被剔除。
(二)基于灰色系统与遗传BP神经网络组合的杭州房价预测
1.神经网络超参数选取方法。
主要包括权重初始化的方法、代价函数的选择、学习率、每一个隐含层
节点数、神经网络的层数、学习的回合数等超参数,参数的选取对神经网络的分类正确率、学习速度都具有重要影响。
由于超参数的类别各异,因此需要根据其对应的类别进行参数调整。
超参数可以根据机理选择,或根据训练集上表现情况选择,也可以根据验证集上训练数据选择。
神经网络权重初始化的方法、代价函数这两个超参数可以由神经网络的机理进行选择。
如果输出层采用softmax方法,则代价函数采用对数似然代价函数;
如果输出层是sigmoid神经元,则代价函数为交叉嫡函数。
假设输入层有n个神经元,权重初始化可以采用均值为0,标准差为土的高斯随机分布。
Vn
学习率的调整可以根据训练集上表现情况选择。
学习率功能是控制梯度下降的步长,而监控训练代价可以用于检测步长。
首先选择训练数据的代价立即开始下降的作为学习率阈值的估计,若代价函数曲线在训练的若干回合下降,则逐步增加量级,直至在开始若干回合代价就开始震荡或者增加;
若曲线开始震荡或者增加,则尝试减小量级直至代价在开始回合就下降,取阈值的一半就确定了学习率。
隐含层的节点数可以根据验证集上训练数据选择。
隐含层节点数不仅会影响建立的模型性能,还会导致训练时出现“过度吻合,,(Overfitting)问题。
部分研究表明,隐含层节点数不仅与输入/输出层的节点数有关,更与待解决问题的复杂程度、转换函数以及样本数据特性等因素有关。
隐含层节点数的确定还有待研究,具有很大的经验性,本文采用以下方式选择隐含层节点数目:
«
i=Vn+m+a (3)
其中"
为输入节点数,m为输出节点数m为隐含层节点数,。
为[1,10]之间的常数。
本文所建立的模型有6个输入节点和1个输出节点,由以上参考公式可知,隐含层节点数范围为[3,12]。
多次测试发现,当隐含层节点数为10时,效果最佳。
因此,将隐含层节点数设置为10个。
神经网络的层数、学习的回合数可以采用“宽泛策略”,先对网络进行简单初始化,再逐渐增加网络的层数,直至达到分类正确率,学习回合数的选择方法同理。
4
5.选择操作,采用轮盘赌法从种群中选择双亲以繁殖后代,每个个体i被选择的概率p,为:
2.房价预测实验过程。
根据房价数据,用2009~2015年的数据作为训练样本,2016-2017年的数据作为测试样本。
模型的输入层节点数设为变量选取的个数6个,隐含层节点数设为10,输出层节点数设为1,学习次数为10000次。
利用Python3.5编写灰色预测模型,预测6个房价影响因素,具体预测结果及精度如表3所示。
h
/12
2018预测值
702.81
1.94
31576.03
9592.13
1807.46
97087.94
2019预测值
713.37
2.11
34718.33
10385.70
1893.12
117057.64
预测精度等级
好
表3灰色预测模型房价影响因素精度表
在灰色预测基础上,将数据零均值标准化后,编写遗传BP神经网络对房价进行预测研究。
输出房价预测值及其实际值比较如表4所示。
年度
2016
2017
2018
2019
房价实际值
17331.083
22450.667
-
房价预测值
17331.109
22450.707
20999.871
22534.807
预测误差%
0.015
0.018
一
表4房价预测值表
六、结论
本文通过灰色系统与遗传神经网络组合预测模型对杭州房价的影响因素进行分析,主要结论有,第一,将12个可能影响杭州房价的因素筛选至年末从业人数、产业结构、金融机构贷款余额、城乡居民储蓄余额、规模以上工业企业利税总额以及净迁入人口这6个因素,其中年末从业人数和净迁入人口都和人口有关,人口增长对城市的经济发展有一定促进作用;
金融机构贷款余额和城乡居民储蓄余额反映居民消费能力,前者体现了房地产信贷的发展程度;
产业结构对房价有很强的解释力,不同产业对房价的影响具有差异性(谷卿德等,2015);
规模以上工业企业利税总额对房价有直观影响。
说明人口、经济发展水平、居民消费能力、产业结构和利税对房价的影响较大。
第二,采用灰色系统与遗传神经网络组合预测模型对2016-2017年杭州房价进行预测,预测结果显示训练样本与实际值误差较小,预测效果较好,并且平均相对误差绝对值为0.0165%,说明该模型对房价变化的拟合效果良好。
第三,由预测结果表明,杭州房价将保持在20000元/平方以上,且在未来几年内房价走势较平稳,发生波动异常的可能性较小。
根据结论,本文提出以下建议:
第一,银行体系的健全将影响房地产信贷发展。
房地产资金主要源自银行的流动资金贷款和预售房款,后者有相当大部分出于贷款,因此房地产与金融关系密切。
而银行体系的健全对房地产信贷具有重要影响,相对的,房地产波动也会对银行造成很大的威胁。
因此,银行应采取相应政策健全体系,可以从基础设施建设入手,避免出现金融风险和房地产泡沫。
第二,适当调控产业结构,降低新一线房价剧烈波动概率。
新一线城市一般具有一定的发展潜力,其产业结构差异性较大,而产业结构对房价的影响较大,甚至决定了不同城市房价的走势和上涨动力。
所以房地产政策应“因材施教”,对不同产业水平的城市实施不同的政策,考虑其房价的合理性:
对产业水平较低的新一线城市,需在经济基本面上控制房价,避免因缺乏产业支持而造成房地产泡沫;
对产业水平较高的城市,应重视产业发展产生的房价上涨压力,并采取相应措施解决低收入人群的住房问题。
对这两
-78
在衡量模型的预测精度时,一般采用平均相对误差,直观反映灰色系统与遗传BP神经网络组合预测模型预测杭州房价走势的准确性。
当平均相对误差越小时,模型预测精度越高。
2016-2017年这两年的平均相对误差绝对值为0.0165%,预测精度较高,表示该模型能很好地反映房价走势及房价波动情况。
(三)实证结果及分析
图3为杭州房价真实值与预测值对比图,0为房价实际值,O_pred为模型输出的房价预测值,房价预测曲线与实际值曲线走势相似度很高。
从走势可以看出2018-2019年这两年房价都高于20000元/平米,走势比较平缓,波动范围不大。
种情况实施差异政策,将有利于房地产行业健康发展。
第三,调控税收政策,稳定房地产市场。
政府政策对房价有一定影响,长期实行低息、减免税政策可以促进有效需求,但长此以往,就可能导致许多个人或企业进行高风险投资,从而造成市场资源配置失调。
因此,政府应适时调高高档娱乐场所、高档公寓的贷款利率;
还应采取累进税,对高档不动产增设不动产税,阻止奢靡之风蔓延,从而在城镇化和工业化方面可以调配更多有限的资源。
参考文献
[1]HuiE.C.M,WangX.R,JiaS.H.Fertilityrate,intergenerationwealthtransferandhousingpriceinChina:
Atheoreticalandempiricalstudybasedontheoverlappinggenerationmodel[j].HabitatInternational,2016(53):
369-378.
[2]LiV.J,ChengA.W.W,CheongT.S.Homepurchaserestrictionandhousingprice:
Adistributiondynamicsanalysis[j].RegionalScienceandUrbanEconomics,2017(67):
1-10.
[3]谷卿德,石薇,王洪卫.产业结构对房地产价格影响的实证研究[J].商业研究,2015(02):
44-52.
[4]龚维进,徐春华.交通便利性、开放水平与中国房价——基于空间杜宾模型的分析[J].国际贸易问题,2017(02):
50-60.
[5]李永友.房价上涨的需求驱动和涟漪效应——兼论我国房价问题的应对策略[J].经济学(季刊),2014,13(02):
443-464.
:
6]王德明,王莉,张广明.基于遗传BP神经网络的短期风速预测模型[J].浙江大学学报(工学版),2012,46(05):
837-841+904.
"
]张浩,李仲飞,邓柏峻.政策不确定、宏观冲击与房价波动——基于LSTVAR模型的实证分析[J].金融研究,2015(10):
32-47.
[8]张洋.信贷与房价关系实证分析——基于35个城市面板[J].西南师范大学学报(自然科学版),2018,43(01):
142147.
[9]陈仲常,卢婷.地区金融发展水平与商品房价格相关性研究——基于30个省市数据的实证分析[J].区域金融研究,2012(06):
19-22.
(责任编辑:
刘婵婵)(校对:
SHT)
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 我国 一线 城市 房价 走势 特征 影响 因素 分析