基于特征价格模型(HPM)的房地产评估研究综述
基于特征价格模型(HPM)的房地产评估研究综述-行政管理
基于特征价格模型(HPM)的房地产评估研究综述
王娟娟毛博
（中南财经政法大学工商管理学院湖北·武汉）
摘要：我国“十三五”规划明确指出要加快经济社会各领域信息化，加强重要信息系统的建设，同时房地产产业亟需稳定发展。因此数理统计模型在房地产应用的研究可以提高房地产评估的精准度和满足房地产批量评估的需求。房地产的准确估价对推动房地产价格正常化、保障房地产公平交易、建立健康的房地产市场有着非常重要的意义。房地产基于计算机辅助的自动批量评估不但可以提高房地产批量评估的效率，也可以促进房地产评估的信息化进程。本文以发展的比较成熟的特征价格模型(HPM)在房地产中应用为主题做文献综述。介绍了HPM如何应用于房地产评估，并对模型的指标、模型形式、模型检验方法的选择和改进进行了讨论。接着就HPM在房地产评估中的应用和未来研究方向进行了阐述，分别从对接计算机应用技术、实现房地产产业信息化，将模糊数学、神经网络模型、层次分析法、主成分分析法等数学统计模型在HPM进行应用，非住宅类型的房地产价值的评估三个方面进行新的研究。
关键词：房地产评估；特征价格模型；批量评估
一、引言
2015年10月，我国“十三五”规划出台，其中明确指出加强土地、财税、金融政策调节、加快住房系统建设，完善符合国情的住房体制机制和政策体系、合理引导住房需求；加强市场监督，规范房地产市场秩序，抑制投机需求，促进房地产产业平稳健康发展。同时，规划也强调全面提高信息化水平，推动信
息化和工业化深度融合，加快经济社会各领域信息化。加强重要信息系统建设，强化地理、人口、金融、税收、统计等基础信息资源开发利用。
房地产的准确估价对推动房地产价格正常化、保障房地产公平交易、建立健康的房地产市场有着非常重要的意义。特征价格模型HPM( Hedonic Price Model)是一种通过特征价格来反映产品或者服务价格的模型。而房地产作为一种异质性的商品，由于各个房地产所对应的特征数量以及组合方式各不相同，房地产价格就会体现不同程度上的差异。因此使用HPM对房地产进行估值能够更加精准的算出其房地产商品的隐含价格，有利于提高房地产评估的精准程度。
随着国内的房地产税全面征收，房地产批量评估的需求越来越大，如何更高效，更准确的进行房地产的批量评估是评估界急需考虑的一个问题。目前，国外已经有了基于计算机辅助自动评估CAMA( Computer-assisted Mass Appraisal)和地理信息系统GIS( Geographic Infor-mation System)的房地产批量评估的方法。但是在CAMA中所使用的评估方法仍然有其局限性，而HPM 的引入值得考虑。一方面，随着大数据时代的到来，房地产评估的信息化为HPM 在房地产评估中的应用提供了坚实的基础；另一方面，HPM在房地产批量评估中的应用不但可以规范评估的标准、简便操作，而且也提高了批量评估的精确性。该研究也对房地产税的推行和征收起到一定的积极作用。
因此，基于HPM的房地产评估研究对我国的房地产行业将起到突出的作用。一是利于房地产的准确估价，促进房地产产业稳定发展。二是将房地产价格影响因素特征系统化、房地产评估批量化以及房地产评估过程的信息化，利于房地产行业信息化建设步伐，为行业提供信息支撑。三是基于HPM在房地产评估的系统性的评估信息化，有利于加强市场监督，规范房地产市场秩序，抑制投机
需求，促进房地产平稳健康发展。
二、基于HPM的房地产评估的研究与改进
1．HPM在房地产行业国外研究概述
价格特征模型研究始于美国，可以追溯到20世纪30年代。Waugh(1928)最早研究商品特征与价格的函数关系，用回归方程分析波士顿蔬菜质量差异与价格变动的联系，并估计了每个属性的隐含价格。
自Timeout, Lancaster，Rosen (1974)等先后将HPM引入房地产行业之后，国外关于HPM的房地产行业的研究大致可以分为两个阶段。
第一阶段是从1974年到2000年，这一时期的主要研究集中在HPM的函数方程的选择、特征变量选择、估计方法的改进等。如Jones和Larry E(1988)主要从变量选择的角度对HPM进行了分析；HuhSerim和KwakSeung (1997)讨论了HPM中变量选择和方程形式的选择问题；Kelley Pace(1995)比较分析了参数估计方法、半参数估计及非参数估计法在HPM中的应用问题。
第二阶段是2000年以后，研究的内容涉及的理论方面主要是对于模型的改进、新的参数估计方法：如Steimetz(2010)对空间特征模型从不同角度展开了分析，Neill Helen R(2007)还进一步将空间特征模型和传统模型进行了比较。
2.HPM在房地产行业国内研究概述
国内关于HPM在房地产行业的研究最早的是由中国人民大学的蒋一军、龚江辉( 1996)利用HPM计算异质品价格指数的方法，并将其运用于房地产行业。可见，国内在HPM应用于房地产领域的研究还不足20年。
大部分的文献中主要是针对某个特定区域根据其建筑属性、区域属性、邻里属性的特征，选择一些这些属性所具有的具体特征的特征变量。以房地产价格
为因变量，构造函数方程，并应用经济学、统计学、计量经济学检验因变量的显著性、方程的显著性及其拟合程度、经济学意义等。本文发现每个区域所表现出来的显著变量各不相同、其方程的选择也各有差异，不同方程所表现出来的拟合程度也会有所差异，而对在这个方面的理论研究比较少。
3．特征变量的选择以及量化
在建立HPM的过程中，正确的构建HPM的关键是科学的选择特征变量。HPM实际上是一个因果关系的定量分析，其中影响房地产价格的因素被作为特征变量，主要分为区位因素、建筑结构因素、邻里环境因素。
房地产的区位特征因素一般以整个城市的角度来看，以房地产到某个地理中心的距离来衡量。这个地理中心一般就是影响这个住宅的因素。如：最近公交车站、最近高速公路、最近主干道距离、最近已建地铁车站。房地产的建筑结构特征与房地产价格有很大的相关性，一般分为可量化和不可量化的因素。可量化的因素包括：建筑面积、容积率、绿化率、房间数目、房龄。不可量化的数据包括：装修楼层、装修程度、朝面等因素。房地产的邻里环境因素是房地产周边环境对房地产产生影响的因素，一般也使用距离来衡量。如：与最近学校距离、与最近医院距离、与CBD距离等。
在进行特征变量进行选择的时候，需要注意三点：变量的选择是否具有经济意义，变量的数据是否能收集，变量是否可以被量化或者采用虚拟变量的方式量化。
本文选取了地铁轨道交通为区域为主的35篇论文进行了一个指标的统计分析，将所有的指标分成三类：建筑结构特征变量、邻里环境特征变量、区位因素特征变量，统计出每一种类型的指标选取的次数，并将HPM模型检验后的显
著指标进行了统计，为以后的研究对指标选择提供参考。
从表1可以看出显著的特征变量有：建筑面积、容积率、装修程度、绿化率；与市中心( CBD)距离、与地铁站距离、公交车站；医院、学校、商业中心、公园、景区。但是也不能排除因为数据样本的大小、特征变量的相关性、模型的自相关性等所导致的模型的误差可能性。
通过对文献梳理，本文发现主要存在三种变量选择的倾向。一是对于建筑结构特征变量：楼盘类型、装修程度、开发商品牌、楼层、停车场大小部分文献使用虚拟变量的方式进行量化，部分文献采用层次分析法加上专家打分法进行量化。二是对于地理区位特征变量：大部分文献采用GIS测距的方式进行量化，针对公交车站这一指标有所不同，有三种形式：2km内公交车站的个数、小区附近的公交线路个数；最近公交车站距离。三是对于邻里环境特征变量：大部分文献采用GIS测距的方式进行量化，针对学校、医院这两个指标有部分文献对学校进行了分层。采取对小学、初中、高中或者是否重点小学的进行更细致的分层分别进行量化的方式；部分文献对医院采取重点医院、非重点医院等更细致的分层分别进行量化的方式。而对于商业中心、购物中心、商圈这样的指标本文统一归纳为商业中心，便于直观的了解。
4．模型形式的选择
特征价格模型由于大量依靠计量经济学分析，所以函数形式的选择就显得非常重要，在已有的使用HPM用于房地产评估的研究中，大部分采用的是线性模型、对数模型和半对数模型三种，其中的拟合程度大部分较高，一般在60%到90%之间。但是根据样本数据的不同，不同函数的拟合程度也会不一样。也有个别研究采用二次函数、反半对数函数、指数函数、BOX-COX变换等函数形
式。
周丽萍、李慧明、路鹏飞( 2009)将BOX-COX变换应用于HPM之中，BOX-COX变换的关键是对变换参数九依据样本观测做出恰如其分的估计，解决了有些函数对于一些样本数据拟合程度过低的问题。
5．模型的估计
HPM在一般情况下使用最小二乘法(OLS)的进行估计，也可以使用加权OLS、BP神经网络等其他方法进行估计。其目的是为了准确估计函数的参数和找到显著的变量。
一般情况下，模型需要经过三种检验：经济学检验、统计学检验、计量经济学检验。对于模型中的特征变量需要讲过经济学意义的检验和统计意义的检验，其中经济学意义的检验就是看特征变量的参数是否符合该特征在房地产价值的实际影响，统计学检验则是根据数据样本检验该特征变量是否显著。而计量经济学检验一般是检验该模型是否具有自相关性、异方差性，以及该模型的解释变量是否具有相关性和共线性，一般采用DW检验和方差膨胀因子VIF检验的方式。本文认为在房地产评估模型建立的过程中，经济学意义的检验尤为重要，不
能因为模型的变量不显著，或者解释变量有相关性就删除变量，因为这很有可能是因为数据样本不足所导致的。
三、HPM的在房地产评估中应用
1房地产批量评估
房地产批量评估是以房地产估价理论为基础，依托计算机技术，运用预先制定的评估模型，一次性对多宗房地产进行快速、大量的评估。而房地产所依托的计算机技术目前有美国基于地理信息系统GIS的计算机辅助的批量评估系统CAMA( Computer-assisted MassAppraisal)。CAMA技术是以传统的评估方法为模型作为依托，以数理统计与计算机技术组成的模型校准技术为工具形成的较为成熟的批量评估体系。而HPM作为一个比较成熟的数理模型应用于房地产批量评估之中，将起到更好的效果。
黄梦吟、郭华林( 2012)对HPM中特征变量进行量化分析时如何采用GIS 的空间分析技术原理优化进行了理论探索。并将量化结果录入储存，建立了房地产信息量化数据库，使房地产的空间数据与属性数据建立了对应关系，实现了批量自动评估的可视化效果。杨杉、邓科( 2015)用主成分分析和对数回归分析建立HPM．并基于CAMA进行了批量评估实证分析，并利用比率分析对模型估计的可靠性进行评估以探索HPM对房地产税基批量评估的适用性，结果得出HPM在房地产批量评估的适用性较高。
2．房地产价格指数编制
房地产价格指数主要有三个作用：一是反映房地产价格的综合变动趋势；二是指导房地产行业的政策调整；三是作为一些重要经济现象的事前预警指标和事后测定指标。一套完整准确的房地产价格指数应该包含综合加权指数和特征价
万科房地产营销策略分析
2 万科地产概况 万科企业股份有限公司成立于1984年5月，是目前中国最大的专业住宅开发企业。2007年公司完成新开工面积776.7万平方米，竣工面积445.3万平方米，实现销售金额523.6亿元，结算收入351.8亿元，净利润48.4亿元，纳税53.2亿元。以理念奠基、视道德伦理重于商业利益，是万科的最大特色。万科认为，坚守价值底线、拒绝利益诱惑，坚持以专业能力从市场获取公平回报，是万科获得成功的基石。公司致力于通过规范、透明的企业文化和稳健、专注的发展模式，成为最受客户、最受投资者、最受员工欢迎，最受社会尊重的企业。凭借公司治理和道德准则上的表现，公司连续五年入选“中国最受尊敬企业”，连续第四年获得“中国最佳企业公民”称号。万科作为中国最大的上市住宅开发企业，是行业第一个全国驰名商标。根据盖洛普公司的调查结果，万科2006年客户满意度为87％，忠诚度为69％。至2006年底，平均每个老客户曾向6.41人推荐过万科楼盘。其品牌形象得到社会各界的广泛认同。（见表1） 表1：万科成为2007年最关注的地产公司 万科管理层认为，当前部分市场所出现的理性调整是阶段性的，并不会改变行业整体的发展方向。（见表2）长远来看，中国城市住宅总体供应趋紧的状况没有改变；中国高速城市化和工业化的方向没有改变；人口红利和人口迁徙的态势没有改变；国民财富积累和投资理财需求的升级没有改变；人民币和资本品升值的预期没有改变。因此，我们依然可以坚定不移地看好行业的未来前景。而市
场从过热向理性的回归，不仅不是住宅行业由繁荣转向衰退的信号，反而将有助于行业获得更为稳定健康的发展环境。顺应这一趋势的企业，将获得更为广阔的成长空间。 表2：网民对于房地产行业的关注度呈节节攀高之势 正是基于这样的思路，万科将2008年的主题词确定为“虑远积厚?守正筑坚”。在住宅行业中耕耘了二十年的万科，越来越意识到只有回到市场逻辑的起点，不断强化自身的能力，才是应对一切市场变动最简洁、也最有效的终极策略。有志于成为世界级优秀住宅企业的万科，越来越意识到，市场是最公平的游戏，在这里不存在取巧的捷径，只有脚踏实地、一步步前行，才是通往理想的康庄大道。 3 房地产4P营销的多元回归分析 3.1房地产营销概述 房地产市场营销的产生是生产力发展和商品经济发达的必然产物,市场营销是房地产经营过程中不可缺少的组成部分,强有力的房地产市场营销活动可以促进地区的经济繁荣,还有助于将计划中的房地产开发建设方案变成现实。从事房地产营销需要清楚地了解营销策略,辨别外界环境的发展变化,通过系统分析及时改变营销策略。 作为房地产开发商和经营商,首先要对爆炸性的人口增长、人口的老龄化以
用户点击行为模型分析
数据挖掘实验报告基于用户网站点击行为预测
...数据挖掘实验报告. (1) 一．概要： (3) 二．背景和挖掘目标： (3) 三．难点分析： (4) 四．难点解答： (4) 五．数据采集： (5) 六．分析方法： (6) 七．数据探索： (8) 7.1数据无效： (8) 7.2数据缺失： (8) 八.数据预处理 (9) 8.1数据清洗 (9) 8.2数据丢弃 (10) 8.3数据转换 (10) 九．挖掘过程： (11) 9.1计算用户爱好 (11) 9.2基于协同过滤算法进行预测 (12) 十．结果分析： (13) 十一.实验总结 (14) 11.1数据的采集 (14) 11.2在试验过程中遇到的问题 (14) 11.3解决方案以及改进 (14) 11.4数据挖掘学习体会： (15)
一．概要： 这次的数据挖掘我们团队做的是基于用户网站点击行为预测，其中遇到的问题有数据量大，机器难以处理，含有时序关系，特征难以描述等，我们运用正负样本比例平衡的方法和时间衰减函数来解决这些问题，运用到的算法有基于协同过滤算法进行预测。 二．背景和挖掘目标： 随着互联网和信息技术的快速发展，广告的精准投放一直是各大广告商面临的问题。点击网络广告的一般有两类人。第一种是不小心点错的，相信大部分人都是不喜欢广告的，但由于网络的互动性，仍然会有部分人把广告当内容点击，其中网站诱导用户点击占了很大一部分比例。第二种是真的想看广告内容，这部分人对广告的内容感兴趣，或是符合他们的需求，才会点击网络广告。认真去研究这两类的行为，进行广告个性化的投放将产生巨大的价值。 基于这个背景，本次课题我们进行了网站点击行为的数据挖掘。数据来自网络，包含了2015年1月1日-2015年6月22日间广告曝光和点击日志。目的是预测每个用户在8天内即2015年6月23日-2015年6月30日间是否会在各检测点上发生点击行为。 利用数据挖掘技术可以帮助获得决策所需的多种知识。在许多情况下，用户并不知道数据存在哪些有价值的信息知识，因此对于一个数据挖掘系统而言，它应该能够同时搜索发现多种模式的知识，以满足用户的期望和实际需要。此外数据挖掘系统还应能够挖掘出多种层次（抽象水平）的模式知识。数据挖掘系统还应容许用户指导挖掘搜索有价值的模式知识
基于特征价格模型(HPM)的房地产评估研究综述
基于特征价格模型(HPM)的房地产评估研究综述-行政管理 基于特征价格模型(HPM)的房地产评估研究综述 王娟娟毛博 （中南财经政法大学工商管理学院湖北·武汉） 摘要：我国“十三五”规划明确指出要加快经济社会各领域信息化，加强重要信息系统的建设，同时房地产产业亟需稳定发展。因此数理统计模型在房地产应用的研究可以提高房地产评估的精准度和满足房地产批量评估的需求。房地产的准确估价对推动房地产价格正常化、保障房地产公平交易、建立健康的房地产市场有着非常重要的意义。房地产基于计算机辅助的自动批量评估不但可以提高房地产批量评估的效率，也可以促进房地产评估的信息化进程。本文以发展的比较成熟的特征价格模型(HPM)在房地产中应用为主题做文献综述。介绍了HPM如何应用于房地产评估，并对模型的指标、模型形式、模型检验方法的选择和改进进行了讨论。接着就HPM在房地产评估中的应用和未来研究方向进行了阐述，分别从对接计算机应用技术、实现房地产产业信息化，将模糊数学、神经网络模型、层次分析法、主成分分析法等数学统计模型在HPM进行应用，非住宅类型的房地产价值的评估三个方面进行新的研究。 关键词：房地产评估；特征价格模型；批量评估 一、引言 2015年10月，我国“十三五”规划出台，其中明确指出加强土地、财税、金融政策调节、加快住房系统建设，完善符合国情的住房体制机制和政策体系、合理引导住房需求；加强市场监督，规范房地产市场秩序，抑制投机需求，促进房地产产业平稳健康发展。同时，规划也强调全面提高信息化水平，推动信
息化和工业化深度融合，加快经济社会各领域信息化。加强重要信息系统建设，强化地理、人口、金融、税收、统计等基础信息资源开发利用。 房地产的准确估价对推动房地产价格正常化、保障房地产公平交易、建立健康的房地产市场有着非常重要的意义。特征价格模型HPM( Hedonic Price Model)是一种通过特征价格来反映产品或者服务价格的模型。而房地产作为一种异质性的商品，由于各个房地产所对应的特征数量以及组合方式各不相同，房地产价格就会体现不同程度上的差异。因此使用HPM对房地产进行估值能够更加精准的算出其房地产商品的隐含价格，有利于提高房地产评估的精准程度。 随着国内的房地产税全面征收，房地产批量评估的需求越来越大，如何更高效，更准确的进行房地产的批量评估是评估界急需考虑的一个问题。目前，国外已经有了基于计算机辅助自动评估CAMA( Computer-assisted Mass Appraisal)和地理信息系统GIS( Geographic Infor-mation System)的房地产批量评估的方法。但是在CAMA中所使用的评估方法仍然有其局限性，而HPM 的引入值得考虑。一方面，随着大数据时代的到来，房地产评估的信息化为HPM 在房地产评估中的应用提供了坚实的基础；另一方面，HPM在房地产批量评估中的应用不但可以规范评估的标准、简便操作，而且也提高了批量评估的精确性。该研究也对房地产税的推行和征收起到一定的积极作用。 因此，基于HPM的房地产评估研究对我国的房地产行业将起到突出的作用。一是利于房地产的准确估价，促进房地产产业稳定发展。二是将房地产价格影响因素特征系统化、房地产评估批量化以及房地产评估过程的信息化，利于房地产行业信息化建设步伐，为行业提供信息支撑。三是基于HPM在房地产评估的系统性的评估信息化，有利于加强市场监督，规范房地产市场秩序，抑制投机
特征选择方法在建模中的应用
特征选择方法在建模中的应用 ——以CHAID树模型为例 华东师范大学邝春伟
特征选择是指从高维特征集合中根据某种评估标准选择输出性能最优的特征子集,其目的是寻求保持数据集感兴趣特性的低维数据集合,通过低维数据的分析来获得相应的高维数据特性,从而达到简化分析、获取数据有效特征以及可视化数据的目标。 目前，许多机构的数据均已超载，因此简化和加快建模过程是特征选择的根本优势。通过将注意力迅速集中到最重要的字段（变量）上，可以降低所需的计算量，并且可以方便地找到因某种原因被忽略的小而重要的关系，最终获得更简单、精确和易于解释的模型。通过减少模型中的字段数量，可以减少评分时间以及未来迭代中所收集的数据量。 减少字段数量特别有利于Logistic 回归这样的模型。
SPSS Modeler是一个非常优秀的数据挖掘软件。它的前身是SPSS Clementine及PASW Modeler。该软件 的特征选择节点有助于识别用于预测特定结果的最重要的字段。特征选择节点可对成百乃至上千个预测变量进行筛选、排序，并选择出可能是最重要的预测变量。最后，会生成一个执行地更快且更加有效的模型—此模型使用较少的预测变量，执行地更快且更易于理解。 案例中使用的数据为“上海高中生家庭教育的调查”，包含有关该CY二中的304名学生参与环保活动的信息。 该数据包含几十个的字段（变量），其中有学生年龄、性别、家庭收入、身体状况情况等统计量。其中有一个“目标”字段，显示学生是否参加过环保活动。我们想利用这些数据来预测哪些学生最可能在将来参加环保活动。
案例关注的是学生参与环保活动的情况，并将其作为目标。案例使用CHAID树构建节点来开发模型，用以说明最有可能参与环保活动的学生。其中对以下两种方法作了对比： ?不使用特征选择。数据集中的所有预测变量字段 均可用作CHAID 树的输入。 ?使用特征选择。使用特征选择节点选择最佳的4 个预测变量。然后将其输入到CHAID 树中。 通过比较两个生成的树模型，可以看到特征选择如何产生有效的结果。
万科住宅商业定价模型
万科住宅商业定价模型 住宅商业定价的第一原则：最大程度的发现产品的真实价值，使产品价格与价值最大程度的接近。 实现这一原则的数学原理：优选法。 序：以前的定价方式 1、主要的前模型定价方式 （1）基价－差价法 1）确定基价 2）总平面图确定各栋间差价 3）确定层差 4）制定价格表 5）销售中检验、反馈 （2）基价－系数法 1）确定基价 2）总平面图确定各栋间差价的系数 3）基价与系数相乘，并纵横比较 4）确定层差 5）制定价格表 （3）混合法 以上两种方法的混合 （4）其他方法：竞品价格综合法、无差别定价法、一房一价法、经营计划反推法 序论：前模型定价方式 2、前模型定价方式的优劣
（1）优点 1）定价直接、明了 2）运用各专业口“焦点小组”，快速生成价格 （2）缺点 1）定价体系不系统； 2）价格制定的随意性较大； 3）定价比较倚重于经验判断和主观判断； 4）不知道什么时候赚钱、什么时候亏钱、能赚多少、会亏多少？往大里说，就是影响公司对经营情况的预期和判断； 5）价格调整一定要等到销售到一定程度、得到市场完全的反馈后才能进行，且价格调整的随意性更大（典型如“阿杜，来了条水鱼”型），不利于调价的及时、准确、科学； 一、万科价格模型的原理 1、名词解释 （1）基价：该模型唯一的系统内自变量；该基价一经输入模型，模型将自动计算所有房源的原始价格； （2）原始价格：该模型的因变量，一般为该房源的按揭实收价； （3）维度：模型的主要计算依据，主要标志不同房源之间的价格差异的百分比数；某一个维度的意义是：在其他所有条件都完全相等的情况下，仅就这一个维度而言，不同房源间的价格差异； （4）权重：标志各个维度之间的不同的重要程度；所有维度的权重相加等于1； （5）综合系数：维度和权重的叠加，标志不同房源间的价格差异； （6）层差：楼层之间的差价； （7）调整因子：原始价格生成后，对模型处理过程的局部、个别调整，目的是对个别价格做出适当的调整； 2、定价原理
中国房地产价格与宏观经济波动_基于PVAR模型的研究
中国房地产价格与宏观经济波动 ——基于PVAR 模型的研究* 李 颖胡日东 *本文得到教育部科学技术研究重点项目（项目号：209148）、国家软科学研究计划（2008GXS5D130）和福建省数量经济学研究生教育创新基地的联合资助。 内容提要 房地产价格和宏观经济波动之间存 在密切的关系。本文基于我国1999—2008年31个省市的面板数据，利用PVAR 模型对我国房地产价格和宏观经济波动之间的关系进行了实证分析。结果表明，我国的房地产价格和GDP 之间存在着双向的互动关系，既相互拉动又相互牵制。通过本文的分析发现，房地产价格的波动受宏观经济的影响更显著一些，房地产价格受宏观经济支持，宏观经济的运行状况对房地产价格的涨跌起到了决定性作用。 关键词房地产价格 宏观经济波动 面板向 量自回归模型 一、引言 由美国次贷危机引发的国际金融危机，使世界金融体系乃至整个经济遭受自大萧条以来最严重的创伤。金德尔伯格（2000）的研究表明，从17世纪至20世纪90年代初期，全球范围内42次重要的经济与金融危机中有21次左右都与房价的暴涨与暴跌有关。房地产业是国民经济的基础性、先导性、支柱性 行业，房价的大起大落势必会给国家的经济发展和社会发展带来冲击。近年来，我国房地产业得到了迅速发展，各个地区的房价不断攀上新高，其中北京、上海、杭州、深圳等大城市的房价上涨尤为迅速。至此，房价持续上涨已经成为全社会关注的热点，房地产价格的变化和宏观经济波动之间的关系也成为各界普遍关心的问题。 从国外的文献来看，大部分的经济学者对于房地产价格与宏观经济关系的实证研究，主要侧重于从均衡理论、收入假说等经济理论的角度出发。Demary （2009）利用结构向量自回归（Structural Vector Autoregressive,简称SVAR ）模型研究了10个OECD 国家房地产价格与通货膨胀率、产出及利率的关系,指出货币冲击与产出冲击对房地产价格有影响,另一方面房地产价格冲击对宏观经济主要变量也有一定的作用。近年来我国经济学界对房地产行业的相关研究也日渐增多。梁云芳、高铁梅、贺书平（2006）利用协整分析和HP 滤波，计算出房地产均衡价格水平，通过房地产价格偏离均衡价格的波动状态，得出我国房地产市场价格的偏离只是受部分 地区影响的结论。从国内的文献来看，在大多数研究的模型中,经济增长均是外生变量,研究者没有建立经济增长和房价变化的互动模型,也没有指出经济增长引起房价变化的具体原因和传导路径。 有鉴于此，本文的不同之处在于采用面板数据向量自回归（PVAR ）的计量方法，把所有变量均视作内生，真实反映出各变量之间的互动关系；同时面板VAR 的方法能够分解出各个冲击对变量的影响，从而得到排除其他因素干扰的影响因子，分析出我国宏观经济和房地产价格之间的“纯粹”关系。运用面板数据进行实证研究，不仅可以扩大样本量，而且可以增加自由度，减少自变量间多重共线性的影响。我国不同地区受宏观经济政策和住房制度改革的影响基本同步，运用我国各省市的数据分析，能在一定程度上揭示房地产价格与宏观经济
常见的特征选择或特征降维方法
URL:https://www.360docs.net/doc/2c11512814.html,/14072.html 特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。 特征选择主要有两个功能： 1.减少特征数量、降维，使模型泛化能力更强，减少过拟合 2.增强对特征和特征值之间的理解 拿到数据集，一个特征选择方法，往往很难同时完成这两个目的。通常情况下，选择一种自己最熟悉或者最方便的特征选择方法（往往目的是降维，而忽略了对特征和数据理解的目的）。 在许多机器学习的书里，很难找到关于特征选择的容，因为特征选择要解决的问题往往被视为机器学习的一种副作用，一般不会单独拿出来讨论。本文将介绍几种常用的特征选择方法，它们各自的优缺点和问题。 1 去掉取值变化小的特征Removing features with low variance 这应该是最简单的特征选择方法了：假设某种特征的特征值只有0和1，并且在所有输入样本中，95%的实例的该特征取值都是1，那就可以认为这个特征作用不大。如果100%都是1，那这个特征就没意义了。当特征值都是离散型变量的时候这种方法才能用，如果是连续型变量，就需要将连续变量离散化之后才能用，而且实际当中，一般不太会有95%以上都取某个值的特征存在，所以这种方法虽然简单但是不太好用。可以把它作为特征选择的预处理，先去掉那些取值变化小的特征，然后再从接下来提到的特征选择方法中选择合适的进行进一步的特征选择。
2 单变量特征选择Univariate feature selection 单变量特征选择能够对每一个特征进行测试，衡量该特征和响应变量之间的关系，根据得分扔掉不好的特征。对于回归和分类问题可以采用卡方检验等方式对特征进行测试。 这种方法比较简单，易于运行，易于理解，通常对于理解数据有较好的效果（但对特征优化、提高泛化能力来说不一定有效）；这种方法有许多改进的版本、变种。 2.1 Pearson相关系数Pearson Correlation 皮尔森相关系数是一种最简单的，能帮助理解特征和响应变量之间关系的方法，该方法衡量的是变量之间的线性相关性，结果的取值区间为[-1，1]，-1表示完全的负相关(这个变量下降，那个就会上升)，+1表示完全的正相关，0表示没有线性相关。 Pearson Correlation速度快、易于计算，经常在拿到数据(经过清洗和特征提取之后的)之后第一时间就执行。 Pearson相关系数的一个明显缺陷是，作为特征排序机制，他只对线性关系敏感。如果关系是非线性的，即便两个变量具有一一对应的关系， Pearson相关性也可能会接近0。 2.2 互信息和最大信息系数Mutual information and maximal information coefficient (MIC)
基于主成分分析的住宅特征价格模型的实证应用
一、主成分分析法 主成分分析法，是因子分析法的一种特殊形式，最早是由美国心理学家charies spearman于1904提出，其基本思想是将实测的多个指标，用少数几个潜在的相互独立的主成分指标（因子）的线性组合来表示，构成的线性组合可以反映原多个实测指标的主要信息。主成分分析是从解释变量方差的角度出发，假设变量的方差能完全被主成分所解释，使得分析与评价指标变量时，能够找出主导因素，切断相关的干扰，做出更为准确的估量与评价。 主成分分析法强调差异性原理，指标权重系数具有客观性；它对自变量进行变换后形成了彼此相互独立的主成分，消除了评价指标之间的相关影响，因此这种方法不要求选择完全独立的指标，从而降低了指标选择的难度。此外，该方法确定的权数是基于数据分析而得到的指标之间的内在结构关系，不受主观因素的影响，而得到的综合指标（主成分）之间彼此独立，减少信息的交叉，使得分析评价结果具有客观性和准确性[1]。 二、基于Box-Cox变换特征价格模型的建立 （一）Box-Cox变换 在一般回归模型中我们常使用如下的线型模型：
()???? ?=≠?=0ln 0 1λλλλ λY Y Y ()??? ? ?=≠?=0ln 01λλλλ λP P P () ?????=≠?=0ln 01θθθθθX X X Y=X β+ε （1） 给定一组数据（ T i y ，T i x ） ，i=1，2，……，n ，若用模型（2）进行拟合，发现个别变量系数的t 检验或P 值检验可能不能通过。为了有效的提高回归精度，往往对Y 进行如下变换[2]： （2） 该变换就称为变量Y 的Box-Cox 变换。 Box-Cox 变换的特点在于引入一个新的变换参数λ，通过数据本身估计出该参数，从而确定所应采取的数据变换形式。对因变量Y 的数据变换可以明显地改善数据的正态性，对称性和方差齐性；对自变量X 的数据变换可以改善模型结构，使得拟合的效果更好。由于Box -Cox 变换模型完全基于数据本身建模而无需任何先验信息， 具有灵活的参数形式， 在实际经济建模中广为应用且行之有效。 （二） Box-Cox 变换在特征价格模型中的应用 特征价格模型是基于商品价格取决于商品各属性给予消费者满足这一效用理论观点而建立起来的价格模型，在价格预测、价格评估等方面具有广泛的应用。自Ridker 把特征价格理论应用到住房市场分析以来[2]，特征价格模型已经发展成为房地产领域广泛应用的模型之一。 住宅特征价格模型的一般形式如下[3]： )Q ,N ,S (P P i i i i = （3） 其中：P 为住宅的市场价格； i S 为住宅的建筑特征向量；i N 为住宅的邻里特征向量；i Q 为住宅 的区位特征向量。特征价格模型没有理论定式，通常根据实际问题和数据来确定。 在实际应用中，研究者考虑了自变量和因变量的相互关系，采用了多种函数形式，包括线性函数、二次函数、对数函数、半对数函数、指数函数等等。就国内研究现状来看，线性函数以其计算简便、结果精确而被广泛应用，具体形式如下： 0i i P X ααε=+ +∑ 或： P=εαααα+++++m m X X X ""22110 （4） 其中P 为所研究对象的价格；0α为常数项，i α为住宅特征的影响系数，i X 为自变量，表示住宅特征， ε为随机误差。 住宅的价格P 通过参数λ转变成[3] ： （5） 类似的，特征变量与参数有以下关系 （6） 将公式（5）、（6）代入公式（4），即可得基于Box-Cox 变换的住宅特征价格模型： i ji m j j i X P εααθλ++=∑=)(1 0) ( 代入样本数据，对该模型进行最小二乘估计的计算，所得结果即是对住宅特征变量效用的解释。据查阅资料，Cropper ，Deck &McConnell 曾通过使用均衡价格对以上几种函数形式进行评估，证实了从估计真实边际出价的精确性来评价模型，那么在观察到所有属性和没有测量误差的情况下，线性Box-Cox 模型最好；Raimond Maurer ， Martin Pitzer ， and Steffen Sebastian 从函数选择的意义出发，说明在研究房地产市场上实际价格的发展趋势，而不是分离各个特征对价格影响的情况下，线性Box-Cox 模型应优先考虑。 线性函数的特点是拥有较多的变量，为模型的建立提供了丰富的信息，增强了模型的精确性。但多变量样本也在一定程度上增加了数据采集的工作量 ，更重要的是在大多数情况下，许多变量之间可能存在相关性而增加问题分析的复杂性，同时对分析带来不便。如果分别分析各个变量，分析又可能是孤
万科房地产项目成本控制研究
万科房地产项目成本控制研究 摘要：近些年来，我国为了追求片面的经济发展，将房地产产业作为我国经济支柱产业进行发展。在不断的发展与完善过程中已经形成了一整套发展规则与产业布局。随着我国经济发展的不断转型与完善，现阶段由于房地产市场带动的GDP 产业受到社会各界的诟病。在这样的背景下，我国相继的出台了一系列限制房地产发展的政策。从宏观的角度抑制了房地产行业的发展，同时也加剧了房地产行业的业内竞争。 本文的研究具有理论与实际方面的双重意义。在理论意义方面：本文系统的
梳理了成本管理在房地产项目管理中的重要意义。并提出了基于成本管理的项目管理框架的可行性。同时，运用理论工具对某房地产项目执行过程中可能存在的成本控制方面的问题进行了总结，并提出了相应的解决方案，对后续的项目成本控制方面的研究提供了必要的理论基础。 在实际方面本文展开了具有针对性的实证研究，对研究对象某房地产项目执行过程中的成本控制进行了系统的分析。以其执行过程中的成本控制现状为一手的研究资料。基于成本管理对项目核心竞争力的提升以及其对项目销售利润空间的提高为目的，分析了其在具体执行过程中存在的宏观与微观问题。同时，基于其存在的问题给出了可行的解决方案。对该公司下的其他项目运营与成本控制提出了建设性意见。同时也为其他企业的同类项目中的成本管理提供了决策参考。关键词：房地产；成本控制；经济；发展 Abstract:In recent years, our country in the pursuit of economic development, the real estate industry as a pillar industry of China's economic development. In the process of continuous improvement and development has formed a complete set of rules and the development of industrial layout. With the development of the economy in China and the transformation of perfect, nowadays GDP industry criticized real estate market driven by the community. In this context, China has successively promulgated a series of policies to limit the real estate development. From the macroscopic angle inhibited the development of real estate industry, but also intensified the competition of the real estate industry. Has the double meaning of theory and practical aspects of this research. In terms of theoretical significance: This paper reviews the important significance of cost management in the project management of the real estate. And put forward the feasibility of the project management framework of cost management based on. At the same time, the use theory tools of a real estate project execution may exist in the process of cost control problems are summarized, and put forward the corresponding solutions, provide necessary theoretical basis for subsequent project cost control research. In practical terms this paper has an empirical study on the cost control in the process of implementation of the research object of a real estate project is analyzed.
房地产价格数学模型的建立与应用
龙源期刊网 https://www.360docs.net/doc/2c11512814.html, 房地产价格数学模型的建立与应用 作者：周建明巨泽旺姚冬梅 来源：《中小企业管理与科技·下旬》2010年第11期 摘要:本文运用截面法和多元线性回归模型对2009年8月到12月济南二手房交易市场的样本数据作了深入的定量分析,对商品住宅价格的特征因素和区域因素进行了论证,据此构建了不同条件下住宅价格与其影响因素间的函数关系模型,运用该模型对济南商品住宅价格进行了分 析和预测。 关键词:住宅价格特征因素区域因素多元线性回归分析 房地产价格的变化包含两个方面:一是从时间序列角度来分析商品住宅价格波动因素的影响;二是从截面角度即在同一时间段内,一个国家或地区人口、经济水平、政策等因素都相同的情况下,不同的商品住宅拥有的属性是不同的,这也是商品住宅购买者所需要考虑的因素,在此笔者从截面角度来分析影响商品住宅的因素及其作用。 1 商品住宅的属性特征及变量 与其他商品相比,住宅作为商品具有结构复杂,地理位置固定,缺乏供给弹性,区位或地段导致价格差异较为明显,所需资金密集,购买频率低等属性。本文商品住宅特征价格模型以一套商品住宅的总价(万元)及房价对数(lnp)为被解释变量,住宅所在楼层的层数、住宅所在楼的总楼层数及住宅的建筑面积(平方米)、卧室房间、客厅、卫生间数目及住宅是否有阳台、房龄、朝向、装修、暖气和住宅所在的区域为解释变量。 2 样本采集说明 为了更好反映商品住宅的特征属性对价格的影响,样本的采集应在同一个住宅市场上。本 文采用济南商品住宅二手房交易市场2009年8月-12月的40个有效样本,数据信息包括济南不同区域的住宅房产的价格及其特征变量。 3 商品住宅特征价格模型的变量选定及统计特征 通过汇总2009年8月-12月济南商品住宅二手房交易市场截面数据资料,得到济南住宅市 场相应特征变量的样本统计值,如表1所示: 4 计量模型的建立
组织行为学的四种模型
明确最高管理层的管理模型十分重要，因为总裁头脑中的潜在模型往往渗 透于整个企业。因此，组织行为学模型具有高度重要性。组织几乎完全由一位总裁控制的例子很多，比如百事可乐（Pepsi Co）的总裁罗杰·恩里科（Roger Enrico）和康柏电脑（Compaq Computer）的总裁埃克哈德·普法伊弗 6 （Eckhard Pfeiffer）。 在本章中我们要着重介绍如下四个组织行为模型（理论范式）：独裁模型、看护模型、支持模型和社团模型（更早的理论，例如封建模型和奴隶模型等，此处不再赘述）。图2.5 是对这四种模型的概括。按照所介绍的顺序，这四个模型大致反映了过去100 年甚至更长时期中管理实践的历史进化。但是， 虽然在某个特定的时期某一种模型倾向于占主导地位，其他模型也同时被某些 组织所采纳。 正象组织之间有很大不同一样，一个组织中各部门、各分支的管理者。 图2.5 组织行为的四个模型 资料来源：最早发表这四个模型的是：KeiZB Davis ,Human Relations at Work：ZBe Dynamics of Or-ganizational Behavior，3d ed,New York：McGraw-Hill Book Company，1967，p.480。也会有所不同。生产部门可能采纳看护模型，而在研发部门采用 的是支持模型。当然，各个管理者因其个人的偏好或种自部门的条件不同， 所从事的实践可能会不同于组织中的一般模型。因此，没有哪一种组织行为 学模型能足以描述一个组织中所发生的一切，不可认同某一种模型有助于将 一种组织生存方式与其他的方式区别开来。 一个管理者对组织行为模型的选择决定于许多因素。正如我们前面讨论 的，管理者的主导哲学、理想、使命和目标都会影响他们的组织行为模型（并 被其所影响）。此外，环境条件有助于确定哪种模型最为有效。例如，某些企 业现时动荡的局面需要迅速的决策和灵活性，便可能驱使企业采取更为社团化 的模型。这说明，组织对于模型的选择不应该是静态的、一成不变的，而应该 随时调整。下面，我们将大致按照历史演化的顺序，依次向您介绍这四种组织 行为模型。 2.1 独裁模型独裁模型有其历史根源，必然性地，它成为工业革命的主 导模型。如图 2.5 中提到的，独裁模型（autocratic model）的基础是权力。那些当权者必
供求关系对房地产价格的影响分析
供求关系对房地产价格的影响分析 摘要 随着我国经济的快速发展，房地产业对国民经济的基础作用、先导作用和支柱作用日益突出，商品房作为房地产中最主要的组成部分，其发展、变化和运行情况直接影响整个房地产行业的发展，进而影响着国民经济的运行和国民的生活质量。近几年来，我国大部分大中城市的房地产价格达到了相当的高位，并且呈现出持续上涨之势，严重超过了我国绝大多数国民的心理承受能力和实际购买力，对此，我国的房地产价格亟需进行调控和抑制，以稳定房地产市场。房地产价格持续快速上涨的主要原因是商品房的供需失衡，因此，本论文选择商品房的供给与需求为研究对象，再根据一般供求定理，利用计量经济学知识和EViews运行软件，通过从中国统计局收集到的样本数据，引入房地产价格与商品房供给，房地产价格与商品房需求的关系模型，并通过经济学检验、变量的拟合优度、回归方程的显着性和异方差性检验等方法来验证模型的正确性。根据房地产价格与商品房供给和需求模型的研究分析结果，结合目前我国房地产市场的发展现状和存在的问题，为我国抑制房价持续上涨、稳定房地产市场提出几点合理的政策性建议。 关键词房地产价格；供需失衡；模型分析；政策性建议
The Analysis on the Impact of Supply and Demand on Real Estate Price Abstract With China's rapid economic development, the role of the real estate industry on the basis of the national economy, the leading role and pillar increasingly prominent role in commercial real estate as the most important component of its development, change, and directly affect the operation of the entire real estate industry, thereby affecting the operation of the national economy and the people's quality of life. In recent years, most of our cities real estate prices reached a fairly high level, and showing a rising trend, the vast majority of our citizens seriously than mental capacity and the actual purchasing power, which, China's real estate prices urgent need for regulation and suppression, to stabilize the real estate market. Real estate prices continued to rise rapidly mainly due to real estate supply and demand imbalance, therefore, this paper choose housing supply and demand as the research object, according to the general supply and demand theory, knowledge and use of econometric software EViews runs through the collection from the Chinese Bureau of Statistics to sample data, the introduction of real estate prices and housing supply, housing prices and housing demand relationship model, and through econometric testing, goodness of fit variables, the significance of the regression equation and heteroscedasticity tests and other methods to validate the model correctness. According to real estate prices and the housing supply and demand model of analysis results, combined with the current development status of China's real estate market and problems for China to curb housing prices continued to rise, stabilize the real estate market to make a few sensible policy recommendations. Keywords Real estate prices；Supply and demand imbalance；Model analysis；Policy recommendations.
数据分析的特征选择实例分析
数据分析的特征选择实例分析 1.数据挖掘与聚类分析概述 数据挖掘一般由以下几个步骤： (l)分析问题:源数据数据库必须经过评估确认其是否符合数据挖掘标准。以决定预期结果，也就选择了这项工作的最优算法。 (2)提取、清洗和校验数据:提取的数据放在一个结构上与数据模型兼容的数据库中。以统一的格式清洗那些不一致、不兼容的数据。一旦提取和清理数据后，浏览所创建的模型，以确保所有的数据都已经存在并且完整。 (3)创建和调试模型:将算法应用于模型后产生一个结构。浏览所产生的结构中数据，确认它对于源数据中“事实”的准确代表性，这是很重要的一点。虽然可能无法对每一个细节做到这一点，但是通过查看生成的模型，就可能发现重要的特征。 (4)查询数据挖掘模型的数据:一旦建立模型，该数据就可用于决策支持了。 (5)维护数据挖掘模型:数据模型建立好后，初始数据的特征，如有效性，可能发生改变。一些信息的改变会对精度产生很大的影响，因为它的变化影响作为基础的原始模型的性质。因而，维护数据挖掘模型是非常重要的环节。 聚类分析是数据挖掘采用的核心技术，成为该研究领域中一个非常活跃的研究课题。聚类分析基于”物以类聚”的朴素思想，根据事物的特征，对其进行聚类或分类。作为数据挖掘的一个重要研究方向，聚类分析越来越得到人们的关注。聚类的输入是一组没有类别标注的数据，事先可以知道这些数据聚成几簇爪也可以不知道聚成几簇。通过分析这些数据，根据一定的聚类准则，合理划分记录集合，从而使相似的记录被划分到同一个簇中，不相似的数据划分到不同的簇中。 2.特征选择与聚类分析算法 Relief为一系列算法，它包括最早提出的Relief以及后来拓展的Relief和ReliefF，其中ReliefF算法是针对目标属性为连续值的回归问题提出的，下面仅介绍一下针对分类问题的Relief和ReliefF算法。 2.1 Relief算法 Relief算法最早由Kira提出，最初局限于两类数据的分类问题。Relief算法是一种特征权重算法(Feature weighting algorithms)，根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除。Relief算法中特征和类别的相关性是基于特征对近距离样本的区分能力。算法从训练集D中随机选择一个样本R，然后从和R同类的样本中寻找最近邻样本H，称为Near Hit，从和R不同类的样本中寻找最近邻样本M，称为NearMiss，然后根据以下规则更新每个特征的权重：如果R和Near Hit在某个特征上的距离小于R和Near Miss 上的距离，则说明该特征对区分同类和不同类的最近邻是有益的，则增加该特征的权重；反之，如果R和Near Hit 在某个特征的距离大于R和Near Miss上的距离，说明该特征对区分同类和不同类的最近邻起负面作用，则降低该特征的权重。以上过程重复m次，最后得到各特征的平均权重。特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。Relief算法的运行时间随着样本的抽样次数m和原始特征个数N的增加线性增加，因而运行效率非常高。具体算法如下所示：
房地产价格影响因素分析研究论文(共5篇)
房地产价格影响因素分析研究论文（共5篇） 第1篇：我国房地产价格的影响因素分析 自1998年实施城镇住房制度改革以来，我国房地产市场取得突飞猛进的发展，房地产业在我国国民经济中占有举足轻重的地位，2016年房地产开发投资更是高达100847亿元，对GDP增长贡献率提升至78%。这些对于提高人民生活水平、改善人民居住条件，推动城市化进程起到了极大地推动作用。然而，房地产市场在促进经济发展的同时，也带来了诸多问题：高昂房价超出居民消费水平，“房奴”成为一大社会现象；房地产空置率迅速增长；房地产投资过度；一些城市房地产结构矛盾突出；高价房产易加大贫富差距等。房价的过快上涨既波及社会的稳定又危害国民经济的健康发展，成为我国公众关注的焦点。因此，研究影响房地产价格的因素并分析这些因素的影响程度，对于稳定我国房地产价格具有重要的意义。 一、理论模型 由于传统的结构性模型不能明确给出变量之间的动态关系，而且
当变量为非平稳时，会带来严重的伪回归问题。因此，本文采用向量自回归模型对我国房地产价格的影响因素进行分析。VAR模型是1980年由西姆斯最先提出，基于数据的统计性质，把系统中的每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而将单变量自回归模型推广到多元时间序列变量组成的向量自回归模型；VAR模型作为一种非结构性的模型，主要用于预测和分析随机扰动对系统的动态冲击，冲击的大小、正负及持续的时间。VAR理论模型如下： Yt=A1Yt|1+…+ApYt|p+BXt+εt 其中，Yt为k维内生变量向量，Xt是d维外生变量向量，矩阵A1，…，Ap为要被估计的系数矩阵，t为样本个数，P为滞后阶数，ε为k维冲击向量。 在VAR模型中，将房地产价格（P）作为被解释变量，将国内生产总值（GDP）、货币供应量（M2）、存款基准利率（BDR）、贷款基准利率（LOAN）、城镇居民可支配收入（INC）、居民消费价格指数（CPI）和商品房销售面积（SA）作为解释变量。