房价预测论文
毕业论文--用经济模型预测我国商品住房价格
本科生毕业设计（论文）用经济模型预测我国商品住房价格二级学院：专业：年级：学号：作者姓名：指导教师：完成日期：2013年5月10日目录1 引言 (1)2理论分析 (2)3 模型设定 (3)4 数据收集 (5)5 模型估计、检验 (6)5.1 模型的估计方法 (6)5.2 模型的检验 (6)6 未来房价的预测 (8)7 结论 (8)8 参考文献 (9)用经济模型预测我国商品住房价格摘要：通过建立计量经济模型，对我国商品住房的价格进行实证分析，找出了影响商品住房价格的诸多因素并预测我国商品住房的价格。
关键词：商品住房价格；影响因素；多元线性回归模型The predictionn on the commodity housing prices in Chinaby using enconmic modelsAbstrat:This article depends on analysing the commodity housing prices in China empirically by establishing the econometric model,finds out the factors that affecting the price of commercial housing and predicts the commodity housing prices in China.Keywords:Commercial Residential Price；effect factors；multiple linear regression model1、引言住宅是房地产的一种类型，属于居住类房地产，包括普通住宅、高级公寓和别墅等。
目前我国住房供应体系主要有三个：一个是针对于为数众多的低收入家庭，实行“廉租住房和经济适用房”为主的住房供应政策；另一个是针对于数量庞大的中等收入家庭，实行“经济租用房和限价商品房”为主的住房供应政策；而对于数量相对较少的高收入家庭，仍然实行现金住房供应政策，即为本文所要研究的商品住宅供应体系。
基于GTWR的武汉市房价预测
基于GTWR的武汉市房价预测近年来，随着中国经济的高速发展，房地产市场一直备受关注。
作为中国的第一二线城市之一，武汉市的房地产市场也备受瞩目。
在这个市场背景下，对武汉市房价的预测成为了投资者和开发商们极为关心的问题。
本文将基于地理加权回归（GTWR）模型，对武汉市房价进行预测，希望能够为投资者们提供一些参考。
一、研究背景武汉市位于中国中部，是湖北省的省会，也是中国的中心城市之一。
作为长江经济带的重要节点城市，武汉市的发展一直备受关注。
随着国家政策的支持和城市建设的不断完善，武汉市的房地产市场也在不断发展壮大。
随着市场的不断波动，对于武汉市房价的预测成为了投资者们十分关心的问题。
地理加权回归（GTWR）是一种结合地理位置信息的回归分析方法，能够充分考虑空间异质性和空间非平稳性。
相比于传统的回归分析方法，GTWR能够更好地解释空间数据的特征，对于房价预测等问题有着更好的效果。
本文将基于GTWR模型，对武汉市房价进行预测，希望能够为市场的参与者们提供一些有益的信息。
二、数据来源与变量选择本文所使用的数据主要来源于武汉市统计年鉴和国家统计局网站，涵盖了2010年至2020年的相关数据。
我们选取了与武汉市房价相关的多个变量作为自变量，包括城市人口密度、城市GDP、楼盘平均价格、城市交通指数等。
而因变量则选取了武汉市不同区域的二手房均价作为房价指标。
三、模型构建与实证分析本文将使用地理加权回归（GTWR）模型进行预测。
GTWR模型是一种基于空间加权的回归模型，其理论基础是在每个样本点周围设定一个权重矩阵，以体现空间数据之间的相关性，并最大程度地考虑空间异质性和空间非平稳性。
具体模型形式如下：\[Y_i = \sum_{j=1}^{n_i} w_{ij}\beta_jX_i + \varepsilon_i\]\(Y_i\)表示第i个样本点的因变量数值，\(X_i\)表示第i个样本点的自变量数值，\(n_i\)为第i个样本点的邻域数量，\(w_{ij}\)为第i个样本点邻域内第j个样本点的权重，\(\beta_j\)为第j个自变量的系数，\(\varepsilon_i\)为误差项。
基于GTWR的武汉市房价预测
基于GTWR的武汉市房价预测1. 引言1.1 背景介绍武汉是中国的一座重要城市，也是湖北省的省会城市。
近年来，随着城市化进程的加快和经济的不断发展，武汉市的房地产市场也逐渐活跃起来。
房地产市场的发展不仅影响着城市的经济发展，也直接关系到广大居民的生活质量和社会稳定。
对房地产市场的预测和分析成为了一个重要课题。
基于地理加权回归（Geographically Weighted Regression，简称GWTR）的房价预测模型将地理位置因素纳入考虑，综合考虑了房屋所在地区的特点和周边环境的影响，能够更准确地预测房价的走势。
在武汉这样一个地理信息丰富、城市化程度较高的城市，GTWR模型的应用具有重要的意义。
本文旨在基于GTWR模型对武汉市房价进行预测，并对影响房价的因素进行分析。
通过本研究，不仅可以为房地产市场的参与者提供参考依据，也可以为政府部门制定相关政策提供支持。
通过对GTWR 模型在武汉市房价预测中的应用进行深入研究，可以为未来房地产市场的发展提供有益启示。
1.2 研究目的本研究旨在基于GTWR模型对武汉市房价进行预测，通过深入分析房价的空间分布特点和影响因素，可以更准确地预测不同区域的房价走势，为政府制定房地产政策、投资者进行房地产投资提供科学依据。
具体目的包括：1. 基于GTWR模型原理，探究其在武汉市房价预测中的应用效果，验证其在空间分布特点上的优势并对比其他模型的预测结果，为房价预测提供新的思路和方法。
2. 利用大量的实地调研和数据采集，对武汉市各区域的房价进行详细分析，揭示不同区域房价受影响的因素及其空间相关性，为房价预测提供更加精准的数据支持。
3. 基于模型建立与训练，通过对历史房价数据进行分析和建模，预测未来武汉市房价的走势，为市民购房提供参考，为投资者、开发商等提供决策依据。
4. 通过结果分析和影响因素分析，系统评估GTWR模型在武汉市房价预测中的应用效果和可行性，为未来相关研究提供参考和借鉴，为房地产市场的稳定发展作出贡献。
毕业论文当前房价问题分析
..本科生毕业论文（设计）当前房价问题分析姓名真学号专业统计学指导教师王洪霞2014年5月25日摘要房价上涨是近年来社会广泛关注的一个热点问题，房价上涨的持续性以及房价过快上涨的危害是大家关注的重点。
房价是否合理，是否已经超过了民众的购买能力，仅仅通过表面观察和凭空想象是不能回答这些问题的，要通过科学的研究方法才能得出合理的结论。
本文首先用两组数据，引出房价上涨问题。
然后，简单介绍以下聚类分析方法，包括聚类分析的概念、特征和一般步骤。
再选取当前我国35个大城市为研究对象，选择一些与房价关系较密切的有代表性的经济指标，选择指标时要注意考虑到指标的合理性以及数据获得的可能性。
最后运用SPSS统计软件对其进行聚类分析，并对聚类分析的结果进行分析，得出相应的对策并提出合理的建议。
关键词：房价；指标；聚类分析AbstractThe problem of house price is a hot and popular topic in recent years. Continuation of house price increase and its harm is the focus of public attention. Whether the house price is reasonable and whether it is too high to exceed the purchasing power of the people, cannot be answered just by surface observation and imagination. Firstly, with the two sets of data, this paper leads to the problem of house price increase. Then, this paper gives a brief introduction of the cluster analysis, including the concept, features and general steps of cluster analysis. Then this paper selects 35 cities for the study object, and selects some representative economic indicators that are relatively close with the house price considering the reasonableness and the possibility of obtaining data. Finally, using SPSS statistical software this paper analyzes the results of cluster analysis, obtains the corresponding countermeasures and puts forwards the reasonable suggestions.Key Words: house prices; indicator; cluster analysis目录摘要 (I)Abstract ........................................................................................................ I II 一、引言 .. (1)（一）房价上涨问题的提出 (1)（二）研究思路和方法 (3)二、聚类分析简介 (3)（一）聚类分析的概念 (3)（二）聚类分析应用围 (3)（三）聚类分析特点 (4)（四）聚类分析的一般步骤 (4)三、房价问题的聚类分析 (5)（一）指标的选择 (5)1. GDP总量 (5)2. 居民人均可支配收入 (6)3. 房价收入比 (6)4. 人均GDP (7)（二）各城市房价问题聚类分析 (7)1. 数据的搜集和整理 (7)2. 数据标准化处理 (8)3. 解析聚类表 (10)3. 解析聚类分析树状图 (12)（三）小结与感想 (15)四、房地产价格的影响因素分析 (15)（一）影响房屋需求变动的因素 (15)1. 人均可支配的提高 (15)2. 城镇家庭户数的增加 (16)3. 房产投资与投机 (17)4. 部分消费者不合理的消费观 (17)（二）影响房屋供给的因素 (17)1. 土地取得成本 (18)2. 开发和管理成本 (18)五、我国房价上涨的治理措施 (18)（一）我国房价上涨的特点 (19)1. 住房绝对价格偏高 (19)2. 房地产价格倒挂 (19)3. 投资投机性购房比例升高 (19)4. 房价上涨具有时段性和区域性特点 (19)（二）治理措施 (20)1. 增加住房有效供给 (20)2. 抑制不合理住房需求 (20)3. 加强市场监督管理 (21)参考文献 (22)致 (24)一、引言（一）房价上涨问题的提出居住是国民安居乐业和社会稳定的关键所在，也是社会发展水平的综合表现，历来都受到重视。
房地产价格预测(数学建模论文)
装订线摘要房价问题事关国计民生，已经成为全民关注的焦点议题之一。
本文主要对房价的合理性进行分析，估测了房价未来走势。
同时进一步探讨使得房价合理的具体措施，根据分析结果，定量分析可能对经济发展产生的影响。
对于房价合理性的分析，选取北京，咸阳，大庆三类城市数据，以居民承受能力满意度和房地产商收益满意度作为目标函数，建立了多目标规划模型分析合理性。
此外，考虑到目前中国的房地产市场存在一定的泡沫成分，为使模型更贴近实际，利用CPI指数修正模型，分析出实际房价不合理，存在严重的泡沫成分。
针对房价的未来走势，采用灰色预测模型对未来房价进行预测。
绘制房价未来走势曲线，得到在国家政策及社会环境相对稳定的条件下，房价仍然会继续上涨的结论。
并根据所得结果，提出了调整房价的三点措施。
利用房价的财富效应以及房产投资与GDP之间协整关系分析了房价对国民经济的影响。
由分析得知：房价的不合理上涨会使房地产财富虚增，产生房地产泡沫，影响国民经济的正常发展。
考虑到所涉及的经济学变量均是非平稳的。
为了避免建立虚假回归模型，在对房价模型进行修正和分析房价对国民经济的影响时，我们利用EVIEWS软件，建立了基于单元根检验的协整性分析模型。
关键词：多目标规划灰色预测模型EVIEWS 单位根检验与协整分析一、问题重述1.1问题背景房价问题事关国计民生，对国家经济发展和社会稳定有重大影响，一直是各国政府大力关注的问题。
我国自从取消福利分房制度以来，随着房价的不断飙升，房价问题已经成为全民关注的焦点议题之一，从国家领导人、地方政府官员，到开发商、专家学者、普通百姓通过各种媒体表达各种观点，但对于房价是否合理、未来房价的走势等关键问题，至今尚未形成统一的认识。
1.2问题提出请根据中国国情，收集建筑成本、居民收入等与房价密切相关的数据分析以下问题：(1)选取我国具有代表性的几类城市对房价的合理性；(2)房价的未来走势等问题进行定量分析，(3)根据分析结果，进一步探讨使得房价合理的具体措施。
数模论文最终房价预测版
2010—2011学年第二学期数学建模海市房价预测模型摘要威海地处山东半岛东北角，地理位置特殊。
作为一个沿海城市，威海市积极响应国家政策，经济发展水平不断提高，威海作为最适宜人类居住的城市吸引了一大批人们来这里定居。
同时威海与韩国、日本交流频繁，留学生、外国友人也在这座城市里留下了足迹。
作为一个发展中的城市，房价是影响人们在此定居的一个很重要的因素。
加之全国房价一直在高速上升，在这几年过程，一直有关于房价拐点的争论。
是否楼市的拐点真的到来？我们决定建立数学模型，分析一下威海市的房价发展趋势，给相关机构提供参考。
我们都知道影响房价的因素众多，大的方面有，国家的宏观经济环境，国家的宏观调控，地方政府对宏观调控的执行力，人民的住房需求，热钱的投机。
而宏观调控的手段众多，如廉租房建设，经济适用房建设，提高税收，打击投机，企业房贷资金紧缩，提高准备金率，不批准房地产企业上市圈钱等等。
影响房价的因素不同地区各不相同，影响威海市房价的主要因素是什么？是怎样影响房价的？我们希望通过这次建模找到答案。
关键字：线性模型居民人均年收入建房成本房价一、问题重述全国房价一直在高速上升，威海市也是如此，在这几年过程，一直有关于房价拐点的争论。
是否楼市的拐点真的到来？需要建立模型进行推测。
影响房价的因素众多，大的方面有，国家的宏观经济环境，国家的宏观调控，地方政府对宏观调控的执行力，人民的住房需求，热钱的投机。
而宏观调控的手段众多，如廉租房建设，经济适用房建设，提高税收，打击投机，企业房贷资金紧缩，提高准备金率，不批准房地产企业上市圈钱等等。
除去宏观调控政策，还有城市的自身因素，比如建材价格水平，城市发展水平，GDP总量等等，都会对房价产生影响。
找出影响房价的主要因素对于建立房价短期预测模型尤为重要。
二、问题分析数据收集：影响建模的因素众多，需要忽略次要因素，提取出主要因素建立模型，经过数据分析，我们得出影响房价水平的三个因素，一个是人均存储，一个是GDP水平,，最后一个是建房成本。
房价预测论文(设计)
数据：年份平均房价（元/㎡）2001 1872 2002 1975 2003 2096 2004 2868 2005 3219 2006 3678 2007 4276 2008 48572009 49232010 59372011 6675时间序列分析1一般概念：系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。
它是系统中某一变量受其它各种因素影响的总结果。
研究实质：通过处理预测目标本身的时间序列数据，获得事物随时间过程的演变特性与规律，进而预测事物的未来发展。
它不研究事物之间相互依存的因果关系。
假设基础：惯性原则。
即在一定条件下，被预测事物的过去变化趋势会延续到未来。
暗示着历史数据存在着某些信息，利用它们可以解释与预测时间序列的现在和未来。
近大远小原理（时间越近的数据影响力越大）和无季节性、无趋势性、线性、常数方差等。
(4)研究意义：许多经济、金融、商业等方面的数据都是时间序列数据。
时间序列的预测和评估技术相对完善，其预测情景相对明确。
尤其关注预测目标可用数据的数量和质量，即时间序列的长度和预测的频率。
自回归时间序列分析：利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型。
2.变动特点(1)趋势性：某个变量随着时间进展或自变量变化，呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向，但变动幅度可能不等。
(2)周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。
(3)随机性：个别为随机变动，整体呈统计规律。
(4)综合性：实际变化情况一般是几种变动的叠加或组合。
预测时一般设法过滤除去不规则变动，突出反映趋势性和周期性变动。
3. 特征识别认识时间序列所具有的变动特征，以便在系统预测时选择采用不同的方法。
(1)随机性：均匀分布、无规则分布，可能符合某统计分布。
最热门关于房价的论文参考文献精选4篇
最热门关于房价的论文参考文献精选4篇最受欢迎的房价论文中有4篇参考文献2021房价论文参考1:[1]田秋生，朱晖。
对我国房价的探讨[J]。
南方财经，2021，11:39-46。
[2]吴卫平，张远，刘乃泉。
房价与女性劳动力参与决策——来自CHNS数据的证据[J]。
经济趋势，2021，11:57-67。
[3]唐云，梁若冰。
限购为什么不能控制房价——来自婚姻市场的解释[J]。
经济趋势，2021，11:45-56。
[4]邹瑾。
人口老龄化与房价波动的区域差异[J]。
经济经纬，2021，01:94-99。
[5]杨。
基于房价收入比计算的农村人口分化研究[J]。
江汉学术，2021，01:74-80。
[6]韩永超，陈淳，沈浩静。
基于特征价格模型的重庆轨道交通对沿线房价的影响研究——以三号线为例[J]。
每月价格杂志，2021，01:6-10。
[7]孙波、罗志坤。
引用该论文王志平，王志平，王志平.哈尔滨商业大学学报(社会科学版)，2021，01:108-113。
[8]贾培龙，李勇，邵-。
房价预期对消费和购房意愿影响的实证分析[J]。
江苏商报，2021，01:13-16。
[9]牛秉铎，尹。
成都，一个房价慢的城市，在房价暴涨中何去何从[J]。
人力资源管理，2021，01:262-263。
[10]、彭。
土地供应向中西部倾斜如何推高房价——基于空间德宾模型的实证分析[J]。
贵州财经大学学报，2021，01:14-24。
[11]李凯。
引用该论文王志平，王志平，王志平.四川水泥，2021，0133323。
[12]傅佳，侯小洁。
引用该论文王志平，王志平，王志平.企业技术开发，2021，01:121-122 125。
[13]、彭。
土地供给不匹配、房价上涨与半城市化研究[J]。
中国土地科学，2021，12:18-27。
[14]许，褚二明。
房价波动、宏观审慎与货币政策协调[J]。
统计与信息论坛，2021，0:62-69。
[15]曾海健，赵佳雯。
房价论文大全
1 房地产税、市场结构与房价摘要：本文在住房流量模型的基础上,构建了一个购房者和开发商的住房市场局部均衡模型,考察了完全垄断和完全竞争情形下房地产税与房价之间的关系。
结果表明,无论何种市场结构,提高房地产税均导致房价下降;住房市场垄断性越强,房价越高,房地产税对房价影响越大。
笔者对1996—2008年中国33个大中城市数据的检验发现,市场结构对房价影响大于房地产税。
房地产税增长率每增加1%,房价增长率将减少0.03%;勒纳指数每增加1%,房价增长率将增加0.16%。
房地产税与市场结构相互作用将使房价上涨,但影响微不足道。
因此,对住宅开征房地产税,将对房价上涨有一定限制作用,但不能有效抑制房价上涨,而增强住宅市场竞争性、降低开发商垄断具有显著效果。
2 地价、房价与居民消费——中国35个大中城市的证据摘要：土地价格、房地产价格过高和内需不足已经成为我国当前最受瞩目的社会问题。
土地价格是构成房地产价格最基本的要素,房地产价格则可以通过"财富效应"和"购房压力效应"对居民消费产生不同方向的影响。
基于我国35个大中城市1999～2009年面板数据的实证检验表明,地价与房价互为因果,但相互影响机制显著不同;房产的"财富效应"作用微弱,房价的过快上涨抑制了居民消费。
3 房产税、地价与房价摘要：本文分别对住房和商业房屋构建一个购房者、开发商和政府的三部门一般均衡模型,说明了房产税、地价与房价之间的关系。
理论模型显示,提高房产税将降低房价,提高上期地价和房屋建造成本将提高房价。
本文对中国33个大中城市1996-2008年的商业房产税数据检验发现,房产税和地价的回归系数较小。
因此,不应对中国即将开征的住房房产税以及地价的作用进行过高估计。
其次,东部城市房价主要由需求拉动,中心部城市房价主要由成本推动。
因此,降低房价应因地制宜,不宜搞一刀切。
最后,房产税与土地出让金不存在挤出效应。
房价合理性 数模论文
房价合理性的探讨摘要房价问题事关国计民生，对国家经济发展和社会稳定有重大影响，一直是各国政府大力关注的问题。
我国自从取消福利分房制度以来，随着房价的不断飙升，房价问题已经成为全民关注的焦点议题之一。
本文就最近十年房价是否合理的问题进行了讨论，并对未来的房价变化趋势进行了预测。
针对房价是否合理的问题，本文构建了基于居民收入动态变化下的住房购买力模型，通过计算居民所能承受的最高理论房价，将其与实际房价进行比较来确定房价是否合理及不合理的程度，得到不合理系数。
本文对北京等7个城市2010年的房价进行了实证分析，结果表明，7个城市中北京、上海、深圳、重庆和南宁的房价偏高，郑州，桂林的房价尚处于合理范围。
对房价走势问题，文中根据过去十年的房价，用时间序列中的三次指数平滑法对未来五年的房价走势做出了预测。
未来五年北京等7个城市的房价均成上涨趋势，到2010关键词：房价合理性动态购买力不合理系数时间序列问题的重述房价问题事关国计民生，对国家经济发展和社会稳定有重大影响，一直是各国政府大力关注的问题。
我国自从取消福利分房制度以来，随着房价的不断飙升，房价问题已经成为全民关注的焦点议题之一，从国家领导人、地方政府官员，到开发商、专家学者、普通百姓通过各种媒体表达各种观点，但对于房价是否合理、未来房价的走势等关键问题，至今尚未形成统一的认识。
请根据中国国情，收集建筑成本、居民收入等与房价密切相关的数据，选取我国具有代表性的几类城市对房价的合理性及房价的未来走势等问题进行定量分析；根据分析结果，进一步探讨使得房价合理的具体措施，以及可能对经济发展产生的影响，并进行定量分析。
数据准备1) 数据来源：中国统计年鉴。
2) 用各个年度的人均可支配收入作为家庭可支配收入的计算依据，计算出的三口之家的可支配收入作为考察年份的家庭可支配收入。
3) 选取过去十年的家庭可支配收入平均变化率作为未来预期的家庭收入变化率。
4) 以中央银行2010年12月公布的银行贷款基准利率作为贴现计算标准。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
不稳定 稳定 不稳定 稳定
各变量的 ADF 检验结果 (重庆市) 变量 ADF 统计 量 LogRPE 0.368807 d(LogRPE) -3.91931 LogTOLP -2.79509 d(LogTOLP) -5.05112 LogPGDP 0.900382 d(LogPGDP) -3.48746 LogJQC -0.54227 d(LogJQC) -3.61558 R -0.54227 d(R) -4.61558 1%临界值 5%临界值 10%临界 值 -4.42059 -3.25981 -2.77113 -3.7126 -3.40331 -2.84182 -4.58265 -3.32097 -2.80138 -4.58265 -3.32097 -2.80138 -4.42059 -3.25981 -2.77113 -3.18035 -3.40331 -2.84182 -4.42059 -3.25981 -2.77113 -2.80349 -3.40331 -2.84182 -4.42059 -3.25981 -2.77113 -4.50349 -3.40331 -2.84182 稳定性 不稳定 稳定 不稳定 稳定 不稳定 稳定 不稳定 稳定 不稳定 稳定
三、符号系统
Y X1 X2 X3 X4 X5 X6 TOLP PGDP JQC R 城市商品房平均销售价格（元/平米） 城市的竣工房屋平均造价（元/平米） 城市的居民人均消费水平（元/平米） 城市的人口密度（人/平方公里） 城市的竣工商品房面积（万平米） 城市的人均 GDP(元/人) 城市的房地产投资总额（亿元） 房地产投资总额 人均 GDP 房地产景气指数 实际利率
四、模型的建立和求解
为了更好地研究房价随着居民平均消费水平、人均 GDP 占有量、人口密度、 房地产竣工面积、 土地价格和房地产投资总额等的影响， 而不失一般性和代表性， 我们分别选取了全国一线、二线、三线中的典型城市上海、重庆、威海三城市采 集数据。根据假设，我们将商品房平均销售价格与各个因素之间的关系进行一元 线性回归，再进行多元线形回归。得出三城市的商品房平均销售价格与六个因素 的函数关系。然后我们根据所得结果，即影响房价的主要因素，运用时间序列数 据的平稳性检验和协整检验来得出各个城市的房价的合理价格；对于问题二，我 们根据近十年的房价的数据（用商品房的平均价格表示） ，运用灰色 GM(1,1)预 测模型来预测 2010,2011,2012 三年的房价。 而后又提出了灰色-马尔柯夫预测模 型和新陈代谢灰色模型两种改进模型,并评价了它们的优缺点。 注：因为 2010 年部分模型所必需的数据尚未有统计结果，所以将 2010 年的房价 也作为预测。
威海市实际房价（RPE）与理想房价(RPE)
（4）所得结论及结论分析 通过实际房价与理想房价的对比，可以看得出上海、重庆、威海的实际房价 与理想房价非常接近，因此三座城市的房价都基本合理，其中重庆市的房价与理 想房价吻合地最好。 （5）模型的优缺点评价 针对房地产行业现状，参照了经济学中合理价格的模型并成功进行了运用， 同时，EViews 统计软件的使用也大大通提高了统计效率，最终得到的协整方程 对合理价格进行了定量描述，并且由此证明房地产价格基本合理。 但本模型也存在一些缺点，在进行平稳性分析时，显著性水平比较低，因此 很有可能仅仅在 2000 年到 2009 年之间合理价格的理想模型成立， 在以后的年代 中有可能与实际不太吻合。这需要我们在将来进一步改进模型，提高模型的显著 性水平。
各变量的 ADF 检验结果 (威海市) 变量 ADF 统计 量 LogRPE 0.362612 d(LogRPE) -4.88228 LogTOLP -2.14481 d(LogTOLP) -2.96519 LogPGDP -1.71657 d(LogPGDP) -3.87493 LogJQC -0.54227 d(LogJQC) -3.61558 R -1.88994 d(R) -4.57353 1%临界值 5%临界值 10%临界 值 -4.42059 -3.25981 -2.77113 -4.58265 -3.32097 -2.80138 -4.42059 -3.25981 -2.77113 -2.58265 -2.32097 -2.80138 -4.58265 -3.32097 -2.80138 -3.80349 -3.40331 -2.84182 -4.42059 -3.25981 -2.77113 -2.80349 -3.40331 -2.84182 -4.58265 -3.32097 -2.80138 -3.80349 -3.40331 -2.84182 稳定性 不稳定 稳定 不稳定 稳定 不稳定 稳定 不稳定 稳定 不稳定 稳定
LogJQC d(LogJQC) R d(R)
-0.54227 -3.61558 -1.88994 -4.57353
-4.42059 -2.80349 -4.58265 -3.80349
-3.25981 -3.40331 -3.32097 -3.40331
-2.77113 -2.84182 -2.80138 -2.84182
由此可以看出,Johansen 极大似然估计的 LogREP 与 LogINC,LogI,LogJQC 以及 R 之间存在着协整关系，分别得到： (1)上海房价的协整方程为： LogRPE=0.070847*LogTOLP+1.136692*LogPGDP-1.161414*LogJQC-0.059433*R +0.966186 通过这个协整方程就可以得到理想合理价格与各经济要素的定量关系。 将上海市理想合理价格与实际房地产价格对比： 年份 理想房价 实际房价 2000 3453 3565 2001 3737 3866 2002 4524 4134 2003 5118 5118 2004 5998 6489 2005 7170 6842
一、问题重述
房价问题事关国计民生，对国家经济发展和社会稳定有重大影响，一直是各 国政府大力关注的问题。 我国自从取消福利分房制度以来， 随着房价的不断飙升， 房价问题已经成为全民关注的焦点议题之一，从国家领导人、地方政府官员，到 开发商、专家学者、普通百姓通过媒体表达各种观点，但对于房价是否合理、未 来房价的走势等关键问题，至今尚未形成统一的认识。 要求根据中国国情，选取我国具有代表性的几类城市收集建筑成本、居民收 入等与房价密切相关的数据，完成以下的题目： （1）对房价的合理性进行定量分析； （2）对房价的未来走势问题进行定量分析； （3）根据分析结果，进一步探讨使得房价合理的具体措施，以及可能对经济 发展产生的影响，并进行定量分析。
☆5-1 问题一
（1）模型的建立 通过查阅相关资料并根据已有的数据， 确定这三个城市房地产价格合理性主 要由：经济形势（由各城市房地产投资总额 TOLP 表示） ，人民生活水平（由各城 市人均 GDP 用 PGDP 表示） ， 消费者对房地产价格的预期 （由国房景气指数 JQC 表 示） ， 实际利率（由 R 表示） ，共四个可量化的因素影响。通过这四个因素，我 们通过建立相应模型，最终求的重庆市房地产合理价格（RPE） 。 因此通过推导可以得出如下结论： RPE=Φ (TOLP,PGDP,JQC,R )，房地产投 资总额 TOLP，人均 GDP 用 PGDP，房地产景气指数（JQC）升高时，房地产价格会 上升；而利率（R）的增高将会使房地产价格下降。下面用 EVIEWS 软件来，根据 计量经济学的原理，通过研究房地产价格的对数时序，房地产投资总额 TOLP 的 对数时序，人均 GDP 的对数时序，房地产景气指数的对数时序，实际利率的对数 时序的协整关系分析，可以得出理想房地产价格的计算公式。对变量数据取对数 后虽然和原数据不同， 但并不改变原数据的本质特征， 可以方便平稳性检验。 下 面的研究步骤是进行先单位根检验（即平整性检验） ，然后进行协整关系检验。 （2）平稳性检验 采取 ADF(Augmented Dickey-Fuller) 检验。检验主要采用计量经济学软件 EViews 5.0 进行检验。检验的结果如下： 各变量的 ADF 检验结果 (上海市) 变量 ADF 统计 量 LogRPE 0.362612 d(LogRPE) -4.88228 LogTOLP -2.14481 d(LogTOLP) -2.96519 LogPGDP -1.71657 d(LogPGDP) -3.87493 1%临界值 5%临界值 10%临界 值 -4.42059 -3.25981 -2.77113 -4.58265 -3.32097 -2.80138 -4.42059 -3.25981 -2.77113 -2.58265 -2.32097 -2.80138 -4.58265 -3.32097 -2.80138 -3.80349 -3.40331 -2.84182 稳定性 不稳定 稳定 不稳定 稳定 不稳定 稳定
二、基本假设
影响房地产价格的因素很多，如居民消费水平，城市经济发展水平，城市人 口密度，土地价格，房屋供求关系，物价指数，居民可支配收入等等。本文选取 了居民平均消费水平，人均 GDP 占有量，人口密度，房地产竣工面积，土地价格 和房地产投资总额六个影响房价的主要因素一起作为研究对象， 并且做如下假设： （１）房屋价格与这些因素之间的关系均为线性关系； （２）房屋建筑成本由竣工房屋平均造价来代替； （３）城市经济发展用人均 GDP 来表示； （４）房价购买能力用人均可支配收入来表示； （５）房价由商品房平均销售价格来表示。 （６）消费者对房屋无偏好， 如有无学校、 公园、 停车位、 热水供应状态、 通信、 房屋建筑形式等； （７）忽略各种炒房行为和政府宏观调控对于房屋价格的影响； （８）假定在一定时期内，一个地区的人口密度较为稳定，没有大的变化； （９）忽略消费成本如交通费用、物业费用、停车费用等对房价的影响；
2006 2007 2008 2009
7563 7825 9428 11521
7196 8361 8255 12840