基于一元线性回归的三亚房地产投资趋势实证
基于线性回归的房地产价格影响因素分析
2、 进出口贸易顺差差额的变动比率成为房地产价格变动的
进出口贸易顺差差额在本文中实际上反映了由于外汇储备
持续增加而过度发行的货币量，同时每年大量的贸易顺差也会
导致中国金融市场流动性持续走高。正如前文所 （下转第 39 页 ）
- 29 -
2010 年 第 11 期 2、 定价策略 目前在农村市场， 消费以传统节约型为主， 受收入水平的影 响， 价格往往是农民购买家电产品时最为敏感的因素。 由于家电 产品的需求弹性大， 市场容量大， 单位产品成本能够随着生产规 模的扩大而下降， 企业的利润还是存在的， 只要企业将农村市场 的潜在需求变成有效需求。 3、 渠道策略 企业可以尽量扩大县一级营销网络， 增加铺货面积； 充分利 用农村现有的供销社系统， 通过代理、 代销、 参股、 联营等方式销 售家电产品； 充分利用集市贸易， 将产品直接送到农民家门口， 方便、 省时、 服务到家， 最后直接在农村兴办连锁店 、 加盟店等， 扩大家电产品的销量。 4、 促销策略 考虑到农民的生活范围、 媒介接触习惯、 文化素质不同， 企 业的促销策略不能照搬城市方式。 （1 ） 演示促销。企业可采取现场演示的方式， 通过演示者所 使用的实实在在的产品， 功效性能、 使用方法直接展示在消费者 面前， 可以直接消除农村居民的顾虑。 （2 ） 附加赠送促销。 农村居民消费节俭， 期望以最少的支出购 买最好的家电产品。企业可以策划附加赠送活动， 刺激购买欲望。 （3 ） 降价促销。企业可以在特定经营时期及一定市场范围 内， 进行减价促销， 能够有效的引导顾客的消费方向。 （4 ） 口碑相传。在购买商品时， 农民受左邻右舍及亲戚朋友 “领袖式” 人物的消费， 就可以 “以点 的影响较大， 因而， 抓住农村 作者简介： 尚文斌， 南京农业大学经济管理学院； 邱徐展， 南京农业大学经济管理学院； 何雪蒙， 南京农业大学经济管理学院。 参考文献： ， 获得较好业绩。 带面”
基于线性回归的房价预测研究
基于线性回归的房价预测研究第一章：引言随着城市化进程的加速，房地产行业的发展越来越受到人们的关注，而房价则是衡量房地产市场的重要指标之一。
因此，房价预测已经成为房地产市场分析和研究的一个重要方向，对于购房者和投资者都有较大的现实意义。
本文以基于线性回归的房价预测为研究对象，旨在探讨如何运用线性回归对房价进行预测，以及优化模型的方法和应用范围。
第二章：线性回归模型线性回归模型是利用自变量和因变量之间的线性关系进行预测的一种统计模型，用于解决定量数据分析中问题的线性预测模型。
在房价预测中，自变量可以包括房屋面积、房屋年龄、地理位置等，因变量即房屋价格。
线性回归模型包括两个主要部分：建模和预测。
首先，利用数据集拟合出回归方程，并对拟合效果进行评估。
然后，利用回归方程对新的数据进行预测。
线性回归模型的核心是回归方程，一般表示为：Y = a + bX其中，Y为因变量（房屋价格），X为自变量（房屋面积、房屋年龄等），a和b为回归系数。
a称为截距，表示当X=0时，Y 的取值；b称为斜率，表示Y随X变化的速度。
第三章：数据预处理在构建线性回归模型之前，需要预处理数据。
数据预处理主要包括数据采集、数据清洗、数据预处理和特征选择。
1. 数据采集数据采集是预处理数据的第一步，需要从不同渠道获取大量房价数据，例如各大房产网站、房屋中介等。
数据的准确性和完整性对预测结果有着举足轻重的作用，因此需要获得尽可能多的数据。
2. 数据清洗数据清洗是指对数据进行评估、过滤和处理，以保证数据的质量，并且消除数据中的噪声和离群值。
在房价预测中，如果数据集中的某些数据与其他数据点明显不符，需要进行处理，否则这些离群点可能会对模型产生严重的影响。
3. 数据预处理数据预处理是指对数据进行标准化、归一化等处理，以便更好地进行建模。
在房价预测中，需要对数据进行标准化，以便在回归方程中计算回归系数。
4. 特征选择特征选择是指选取最具有区分度的特征作为模型输入。
基于多元线性回归分析房地产价格影响因素
基于多元线性回归分析房地产价格影响因素作者：赵敬葛学韬来源：《商情》2015年第18期【摘要】从房屋销售实现市场化交易之后，近10年来，房价飞速上涨，并且在政府多次的政策调控下没有得到缓和的趋势，这一现象逐渐引起了社会各界的广泛关注。
本文以济南为例，选取2003年到2012年数据，从人均GDP、总人口、结婚数、城乡居民人民币储蓄存款余额、城镇居民人均可支配收人、土地购置费、房屋销售面积、房屋竣工面积占施工面积的比重，利用SPSS进行线性回归，从而得出房屋销售价格变动最为密切的影响因素，并提出建议。
【关键词】人均GDP ;商品房平均销售价格 ;多元线性回归一、引言随着我国国民经济的飞速发展，我国城市近几年也获得了高速迅猛的发展，房地产住房消费占我国城镇居民消费的比重也越来越高。
同时，随着城镇居民住房观念发生的重大转变、住房消费的有效启动、住房商品化新体制的基本确立、房地产投资的持续快速增长，以商品住宅为主的房地产业成为国民经济的重要支柱产业。
但是，我国房地产市场的发展极为不稳定，城市商品住宅的价格日益增长。
济南是一个二线城市，从很大程度上可以代表二线城市的整体发展水平，而二线城市的发展好坏更能影响国民经济的发展。
本文通过分析济南房价的影响因素，从而使得国家进行更好的调控，相应的提高国家的整体水平。
二、实证分析（一）多元线性回归分析方法回归分析是经济计量分析中使用最多的方法，多元回归分析预测法，是指通过对两个或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。
当自变量与因变量之间存在线性关系时，称为多元线性回归分析。
多元线性回归模型的一般形式为：Y=β0+β1X1+β2X2+β3X3+…βkXk+εβ0、β1、β2、βk是参数，ε是被称为误差项的随机变量。
（二）影响商品房平均价格的因素分析某一地区的房价是由宏观经济、供给方（房地产厂商）、需求方（购房者）三方共同决定的，因此引入了相应的指标作为自变量。
银行信贷对房地产价格影响的实证分析
银行信贷对房地产价格影响的实证分析摘要：银行贷款是我国房地产开发和对住房消费支持的最主要融资方式，本文基于房地产价格与银行房产开发贷款之间的关系，通过相关性回归分析，得出相应的实证分析结论：房地产价格和房地产信贷具有紧密的关系，大量资金涌入房地产业会推高房价，房地产价格与信贷规模之间存在正相关性。
文章最后从政府和银行角度提出了相应的政策建议。
关键词：银行信贷；实证分析；房地产价格近年来，中国经济一直保持着持续高速的增长，我国房地产业发展迅猛，商品房价格也大幅度的飙升，长势惊人的房价让中国的许多老百姓都是“望房兴叹”，调控房地产首要的切入点就是银行信贷，银行贷款规模的大小直接影响着房地产市场景气的好坏以及房地产价格的波动，分析银行贷款对房地产价格波动的影响也具有深远的意义。
一、我国房地产市场发展简述了解我国房地产市场的发展，从宏观层面上规范我国房地产市场的走向，才能引导我国房地产市场健康合理的发展。
我国的房地产业从2008-2012年进入一个新的周期，伴随着住房市场化、城镇化的不断推进、人均收入的不断提高，我国住房方面的需求产生极大地释放，房地产投资额和房价大幅上升，经过2008年有关部门出台的相应政策抑制房价上涨后，2009年，无论是近9.4亿平方米的成交量，还是估算约4834元/平方米的均价水平，都创出了历史新高。
虽然政府一直在采取相应的宏观政策抑制房价的过快增长，但是由于市场反应的滞后性以及投资规模的加大，房价仍然以较快的速度增长，一些大城市（如北京、上海、深圳等）的房价的涨幅则更是惊人，远远高于全国平均涨幅，不少城市也出现了大幅上涨情况，甚至可以比美国的还要高。
毫无疑问，我国房价已经普遍偏高，更是超出了一般居民的可承受能力，即使是中产阶级人士，在大城市买房也很困难，买房成为几代人的合力行为，房价问题已经成为人大政协讨论的热点话题，“新国五条”的诞生及具体的实施细则，也已经成为百姓最为关注的民生问题。
基于回归分析的房价模型及预测
基于回归分析的房价模型及预测随着生活水平的提高和城市化进程的加速，房地产市场已经成为了国民经济的重要组成部分。
对于购房者而言，他们需要了解市场上的房价走势，以便更好地做出投资决策。
而对于开发商而言，他们需要明确自己产品的价值，以便正确定价并获得市场份额。
因此，基于回归分析的房价模型及预测在当前的经济背景下显得极其重要。
本文将介绍回归分析的相关知识，并利用Python语言建立基于多元线性回归的房价模型，并预测房价走势。
一、回归分析的知识介绍回归分析是一种通过对因变量与自变量之间的关系进行建模来对因变量进行预测的统计分析方法。
简单来说，回归分析就是用已知的自变量数据来预测未知的因变量数据。
在回归分析中，自变量与因变量之间的关系可以用一条直线或曲线来表示，这条直线或曲线称为回归线或回归曲线。
在回归分析中，自变量数量的不同可以分为简单线性回归和多元线性回归。
如果自变量只有一个，称为简单线性回归；如果自变量有多个，称为多元线性回归。
在建立回归模型之前，需要考虑一些问题，例如选择哪些自变量，如何评价模型的拟合程度等。
二、基于多元线性回归的房价模型建立在本文中，我们选择了三个自变量，分别是房屋面积、房间数量和街区位置。
我们使用Python语言来建立回归模型，其中使用了Pandas、NumPy、Scikit-learn和Matplotlib 等库。
具体代码如下所示：```pythonimport pandas as pdimport numpy as npfrom sklearn.linear_model import LinearRegressionimport matplotlib.pyplot as plt# 读取房屋数据data = pd.read_csv('house.csv')x = data.iloc[:, 1:4].valuesy = data.iloc[:, 0].values# 拟合回归模型model = LinearRegression()model.fit(x, y)R2 = model.score(x, y)print('R2 coefficient:', R2)# 显示散点图plt.scatter(data['Area'], data['Price'], color='blue')plt.xlabel('Area')plt.ylabel('Price')我们首先使用Pandas库读取房价数据，并将数据分为自变量和因变量。
基于多元线性回归分析房地产价格的影响因素
基于多元线性回归分析房地产价格的影响因素一、本文概述随着经济的发展和城市化进程的加快，房地产行业在中国经济中占据了举足轻重的地位。
房地产价格受到众多因素的影响，包括宏观经济因素、地理位置、基础设施、政策环境等。
为了更好地理解和预测房地产价格的变化，本文旨在通过多元线性回归分析方法，深入探究影响房地产价格的主要因素，并构建预测模型。
本文首先将对多元线性回归分析的基本原理和步骤进行简要介绍，为后续的研究提供理论基础。
随后，将详细阐述房地产价格影响因素的选择原则和方法，确保所选因素能够全面、客观地反映房地产市场的实际情况。
在数据收集和处理方面，本文将采用权威、可靠的数据来源，并对数据进行预处理，以保证分析结果的准确性。
通过多元线性回归分析，本文将揭示各影响因素对房地产价格的贡献程度，以及它们之间的相互作用关系。
在此基础上，本文将构建房地产价格预测模型，并对其进行验证和评估。
将提出相应的政策建议和措施，以期为政府、企业和投资者提供有益的参考和借鉴。
本文的研究不仅有助于深入理解房地产市场的运行规律，还可以为房地产市场的健康发展提供科学支持，具有重要的理论价值和实践意义。
二、文献综述在房地产市场中，价格的形成与变动受到众多因素的影响，这一点已得到了广泛的学术关注。
早期的研究主要集中在单一因素对房地产价格的影响，如地理位置、经济指标、政策调整等。
然而，随着研究的深入，学者们开始意识到单一因素的研究方法可能无法全面揭示房地产价格变动的内在机制。
因此，越来越多的研究开始关注多个因素的综合影响，并尝试使用多元线性回归分析方法进行实证研究。
在多元线性回归分析的框架下，学者们对房地产价格影响因素的研究取得了丰富的成果。
一方面，经济因素如经济增长率、通货膨胀率、利率等被证实对房地产价格有显著影响。
经济增长率和通货膨胀率的上升通常会导致房地产价格上涨，而利率的变动则会对房地产价格产生反向影响。
另一方面，社会因素如人口增长、家庭结构、教育水平等也对房地产价格产生不可忽视的影响。
三亚房地产市场现状解读
三亚房地产市场现状解读作为一名在三亚房地产市场打拼多年的从业者，我深刻地感受到这个市场的发展与变迁。
在这里，我将从个人视角出发，为大家详细解读三亚房地产市场的现状。
一、市场供需情况近年来，三亚房地产市场供需两旺。
受限于土地资源稀缺，优质项目逐渐增多，导致房价逐年攀升。
根据我的了解，目前三亚市区的房价已经普遍超过每平方米3万元，而海景房、别墅等高端项目的价格更是高达每平方米10万元乃至更高。
在需求端，随着国内旅游市场的火爆，以及海南国际旅游岛建设的推进，越来越多的投资者和游客关注并投身于三亚房地产市场。
二、房地产开发特点在三亚房地产市场，房地产开发项目主要集中在海景房、度假公寓、别墅、综合体等方面。
这些项目大多具备优美的自然环境和便捷的交通条件，既满足了游客的度假需求，也吸引了众多投资者。
随着我国环保政策的日益严格，绿色、生态、智能的房地产项目越来越受到市场的青睐。
三、政策法规影响近年来，国家和地方政府出台了一系列政策法规，对三亚房地产市场产生了深远影响。
如海南自由贸易港建设的推进、限购政策的实施、房地产税收政策的调整等。
这些政策在很大程度上遏制了市场过热现象，有利于房地产市场的稳健发展。
四、市场竞争格局在三亚房地产市场，竞争格局日益激烈。
众多开发商纷纷加大投入，提升项目品质，以争夺市场份额。
随着市场的不断发展，一些有实力的企业开始通过兼并重组、合作开发等方式扩大市场份额，进一步加剧了市场竞争。
五、市场前景分析展望未来，三亚房地产市场仍具有较大的发展潜力。
随着海南国际旅游岛建设的不断推进，以及国内外游客需求的持续增长，房地产市场有望保持稳定发展。
然而，也需要注意到，房地产市场的过度开发和无序竞争可能导致资源枯竭和环境恶化，因此，政府和开发商需要共同努力，实现可持续发展。
作为三亚房地产市场的参与者，我深刻认识到这个市场的机遇与挑战。
在未来的发展中，我们应秉持科学发展观，积极应对市场变化，为三亚房地产市场的繁荣和发展贡献力量。
2024年海南省房地产市场发展现状
2024年海南省房地产市场发展现状引言海南省房地产市场是海南省经济发展的重要支柱之一。
近年来，海南省房地产市场经历了快速增长和调整的阶段，本文将对海南省房地产市场的发展现状进行综合分析，探讨其面临的挑战和机遇。
1. 房地产市场现状1.1 市场规模海南省房地产市场规模不断扩大。
根据相关数据显示，截至目前，海南省房地产市场总体规模达到XX亿元，其中住宅市场占据市场主体地位，商业地产和办公地产市场也呈现出较快增长的态势。
1.2 土地供应与投资规模海南省持续增加土地供应，吸引了大量的房地产投资。
近年来，海南省政府通过土地拍卖、划拨等方式，不断增加土地供应量，以满足市场需求。
此外，各类房地产开发商也纷纷进入海南市场投资开发，推动了房地产市场的快速增长。
1.3 房价趋势近年来，海南省的房价呈现出不同程度的上涨。
在经济发展和人口流入的推动下，海南省房价逐渐上涨，主要集中在一线城市和热门旅游城市。
然而，房价上涨也带来了一些社会问题，如高房价导致普通居民的居住困境，促使政府加强调控政策。
2. 问题与挑战海南省房地产市场发展面临着一些问题和挑战。
2.1 高风险投资随着市场规模的不断扩大，一些投资者开始关注海南省房地产市场的投资机会。
然而，不少投资者对市场情况了解不足，盲目投资，存在较高的风险。
政府应加强监管和宣传，引导投资者理性投资。
2.2 供需失衡尽管海南省加大了土地供应，但供给仍然无法满足市场需求。
特别是住宅市场热度持续高涨，供需失衡现象日益凸显。
政府应加强土地规划和住房保障政策，增加住房供应，缓解供需矛盾。
2.3 调控压力高企的房价和投资热潮给政府调控带来了巨大压力。
政府需要综合运用经济手段和法律手段，制定合理的调控政策，稳定市场预期，防范房地产市场波动的风险。
3. 发展机遇3.1 旅游和度假地产市场作为国际旅游岛，海南省拥有得天独厚的旅游资源。
旅游和度假地产市场有着巨大的发展潜力。
政府和开发商可以通过打造高品质、智能化的旅游度假地产项目，吸引更多的游客和投资者，推动房地产市场的健康发展。
多元线性回归模型在房地产评估中的应用
多元线性回归模型在房地产评估中的应用摘要:主要通过多元线性回归统计模型对房地产的价格进行评估.首先运用统计软件中的 SPSS 进行线性回归分析建立房地产评估的多元线性回归预测模型,同时对该预测模型进行显著性检验,并进行残差分析检验和异方差性检验,使得该模型具有解决实际问题的意义.最后,说明多元线性回归模型对于房地产评估的实用性。
关键词:多元线性回归模型; SPSS ;房地产评估前言近年来,房地产行业的发展十分迅速. ２０１３年国家“国五条”政策以及后来出台的一些房地产相关政策,使房地产业界产生巨大波动.秦迎霞等人认为中国局部地区的房地产的销售价格超出平均水平,房地产尚未出现泡沫价格,但是已经存在过热的趋势.而在当今复杂多变的房地产波动社会环境下时,如何对房地产进行评估成为极其重要的事情.目前, 对房地产的发展做出经济预测和规避风险时,经常采用的是推断统计方法.这种统计方法也是在面对房地产评估问题应用中最多的方法.而建立统计模型是进行统计推断的一部分.而且线性回归统计模型的基本思想和方法对于学习其他统计模型应用具有铺垫作用.而且线性统计模型的应用已涉及到生物、医学、经济、管理、商业、生物科学等领域,特别是对于市场经济方面的预测更加简便.本文以多元线性回归模型为例探究线性回归模型在房地产评估问题中的应用.线性回归模型主要研究的是对经过数量化的经济指标通过回归分析方法建立回归模型进行预测,最后利用得到的回归方程对房价进行预测,计算预测价格与真实价格之间的误差,从而验证该模型的准确性和有效性. 线性回归分析一般可分为一元和多元线性回归.这种是按问题中所包含的影响指标的个数进行分类的.在对许多企业经济问题进行预测时,对经济活动产生影响的指标通常有多个,它具有多样性和不确定性.需要对多个影响指标与某一预测指标之间关系进行分析时通常采用多元回归分析.在企业的经济问题中,某一种经济现象所发生的变动,往往不是局限于一种因素造成的,而是取决于多个因素.通常可以把一元统计中的回归分析作为多元回归分析的特例,因此多元回归分析在企业经济预测应用中较为广泛.本文主要就多元线性回归方程对企业经济中的问题进行预测,找到对预测指标产生较大影响的因素进行分析,从而使企业的管理更有效率.１文献综述在使用多元线性回归模型对房地产进行评估时,本国学者取得了丰硕的研究中成果.储亚伟研究认为房地产的销售价格的预测不仅可以为投资决策和消费决策提供参考,也可以为政府相关部门的经济决策提供参考的价值.徐锦,叶子青认为可通过多元线性回归模型,对影响商品房价格的三大指标进行基本统计分析并进一步建立商品房的价格影响因素自回归模型,分析各个因素对商品房价格的动态影响.仲小瑾提出了使用多元线性回归模型建立对房地产的价格进行评估的模型,但是并没有研究对于这种多元线性回归模型可采用统计软件进行分析.张小富,侯纲认为建立多元线性回归基本模型对西安住宅价格泡沫进行实证分析,线性回归分析预测方法与其他方法相比具有模型简单、预测结果准确、模型解释能力强的特点。
基于组合方法的三亚机场客流量预测
基于组合方法的三亚机场客流量预测刘夏;陈磊;李苑辉;杨萍;陈明锐【摘要】准确地预测机场客流量对机场的建设和发展有着至关重要的作用.在三亚机场2005-2015年客流量数据的基础上,分别采用Holt-Winter季节模型、ARMA和线性回归模型分别对三亚机场2016-2017年的客流量进行了预测.为了减少预测误差提高预测精度,采用了组合加权的方法对数据进行了组合预测.经验证,该方法可以作为有效预测机场客流量的一种方法.【期刊名称】《计算机系统应用》【年(卷),期】2016(025)008【总页数】6页(P23-28)【关键词】机场;客流量预测;季节模型;自回归平滑模型;线性回归;组合【作者】刘夏;陈磊;李苑辉;杨萍;陈明锐【作者单位】三亚航空旅游职业学院,三亚572000;三亚航空旅游职业学院,三亚572000;三亚航空旅游职业学院,三亚572000;三亚凤凰国际机场有限公司综合管理部,三亚572000;海南大学信息科学技术学院,海口570228【正文语种】中文准确地预测机场客流量数据, 对机场运力安排、未来的发展和建设、功能的规划都有着至关重要的作用. 因此, 准确预测机场客流量就成为了机场经营管理中的一个重要课题, 是机场资源有效配置的基本根据. 预测客流量的方法很多, 据不完全统计, 世界上大约有约300种方法, 其中有150多种比较成熟, 30多种比较常用, 10多种使用比较普遍, 但根据不同的标准, 大体分为两类: 一类是线性理论和非线性理论,另一类是定性预测法和定量预测法, 但总体都包括: 时间序列模型、灰色预测模型、专家预测模型、指数平滑法、神经网络、支持向量机、趋势外推法、回归分析法等. 国内的学者开展过关于机场客流量预测的研究, 取得了相应的成果. 南京航空航天大学的演克武、朱金福提出了支持向量机的回归模型, 并与BPANN和线性回归算法这两种预测方法进行了对比, 证明支持向量机回归算法能获得最小的相对误差,是有效的一种航空客流量预测方法[1]. 西安交通大学的屈拓将灰色模型和BP神经网络相结合, 利用灰色模型对线性变化部分进行预测, 然后采用BP神经网络对非线性变化部分进行预测, 并对预测误差进行补偿, 解决了单一预测模型存在的缺陷, 提高了机场旅客吞吐量预测精度[2]. 合肥工业大学的陈荣、梁昌勇、陆文星等人提出一种季节支持向量回归(SSVR)和粒子群算法(PSO)结合模型, 实现对旅游客流量的预测, 该模型预测精度明显高于SVR-PSO、SVR-GA、BPNN、ARIMA等方法[3]. 中国民航飞行学院的黄邦菊、林俊松、郑潇雨等人建立了机场旅客吞吐量的多元线性回归预测模型, 并利用时间序列法对所得的预测值进行验证, 准确的预测出机场未来年的旅客吞吐量[4]. 中国民航大学的关静依据灰色预测和支持向量机的特点,提出了一种将两种预测方法相结合的灰色支持向量机, 结合旅客吞吐量的预测结果, 对比了灰色预测模型、支持向量机和灰色支持向量机的预测结果, 验证了灰色支持向量机的预测精度高和预测结果准确可靠[5]. 中国民航飞行学院的景崇毅提出了基于迭加趋势的航线季节客运需求分析方法, 根据航线季节客运量历史数据, 构建航线季节客运量趋势变动模型, 通过OLS方法估计直线趋势方程参数, 进一步考虑季节变化对客运需求的影响, 建立航线季节客运需求分析模型[6]. 中国民航大学的陈玉宝、曾刚采用多元线性回归模型和时间序列趋势外推模型, 对首都机场2012-2016年的客流量进行了预测, 为提高精度, 又采用了组合加权方法对预测结果进行组合预测, 提高了准确性, 减少了预测误差[7]. 沈阳工业大学的田中大、李树江、王艳红等人提出了一种基于经验模式分解和时间序列分析的网络流量预测方案, 具有更好的预测效果和精度[8]. 华东师范大学的杜刚、刘娅楠处理了港口集装箱吞吐量月度数据中的季节性波动, 用季节时间序列模型对集装箱的吞吐量进行了季节性处理, 提高了预测精度[9].Holt-Winter将具有线性趋势、季节变动和随即波动的时间序列进行分解研究, 结合指数平滑法, 分别对长期趋势、趋势外增量和季节波动进行估计, 建立预测模型并外推预测值. ARMA 模型(Auto-Regressive and Moving Average Model)是研究时间序列的重要方法, 由自回归模型(简称AR模型)与滑动平均模型(简称MA 模型)为基础“混合”构成, 主要基于对平稳随即时间序列进行分析来建立模型, 其形式简单, 对数据进行拟合较为方便, 便于分析数据的结构和内在性质, 在最小方差的意义下进行最佳预报和控制,它是一种精确度较高的短期预测模型, 因为阶数可以依据情况调整, 也显得比较灵活, 但是所需要的历史数据量较大(一般在50个以上). 线性回归是利用数理统计中回归分析, 来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法, 运用十分广泛. 回归模型中, 一元回归是最简单且稳健的, 但描述复杂系统的行为时往往乏力, 因此基于多元回归的预测技术更为常见.传统的多元回归模型一般是线性的.由于可能存在的不显著变量以及各自变量之间的相关关系, 会导致回归的正规方程组出现严重的病态, 影响到回归方程的稳定性, 所以多元线性回归面临的一个基本问题是寻找“最优”回归方程. 神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统, 它反映了人脑功能的许多基本特征, 是一个高度复杂的非线性动力学习系统, 其逼近效果好, 计算速度快, 不需要建立数学模型, 精度高. 具有强非线性拟合能力. 但是无法表达和分析被预测系统的输入和输出间的关系, 预测人员无法参与预测过程, 收敛速度慢, 难以处理海量数据, 得到的网络容错能力差, 算法不完备[10].2.1数据的选取本文选取由三亚凤凰国际机场提供的从2005年1月到2015年10月的月度客流量共130个数据, 分别用Holt-Winters季节性预测模型, ARMA模型, 一元线性回归进行建模预测, 最后利用这三种方法进行组合预测, 得出预测效果, 对未来两年三亚机场的客流量进行预测.2.2描述性分析利用Eviews6.0软件做出三亚机场客流量的时序图, 观察客流量的变化趋势, 得到的结果如图1所示.Holt-Winter季节模型主要把长期趋势, 季节变动和随机变动的时间序列进行分解, 然后和指数平滑法进行结合, 分别对长期趋势, 季节变动进行估计, 然后建立模型, 进行样本外预测. 本文主要选用Holt-Winter季节乘法模型, 该方法适用具有长期趋势和乘法季节变化的序列. 其平滑序列的计算公式:其中表示截距, 表示斜率, 表示长期趋势, 表示乘法模型的季节因子, 表示季节周期长度(本文月度).该模型需要三个系数来给出季节因子第一年的初值, 截距和斜率的初值, 这三个系数的定义如下:其中为阻尼系数在之间, 如果, 其预测值计算公式为:其中, 为样本数据最后一年的季节因子. 利用Eviews6.0软件对上述数据进行预测得到的预测参数估计结果如表1所示.根据表1得到样本预测的结果, 得到的结果如图2所示.根据图2可得基于Holt-Winter季节乘法模型三亚机场的实际客流量也预测客流量几乎是重叠, 计算预测的平均绝对误差其计算公式:计算得到说明Holt-Winter乘法模型预测的效果比较理想.根据图1可以看出样本内的机场客流量具有明显的季节变动, 在建立ARMA模型之前需要对机场客流量Y进行季节调整, 本文选用X12季节调整方法[11], 利用Eviews6.0进行季节调整后的机场客流量的时序图如图3所示.根据图3可以得到经过季节调整之后, 机场客流量不受季节变动因素影响了, 下面对调整后的客流量序列建立ARMA模型.4.1 序列的平稳性检验采用单位根检验来检验时间序列平稳性, 选用ADF检验, 运用Eviews6.0软件对YSA进行ADF单位根检验的结果如下表2所示.根据表2可得调整后的机场客流量序列YSA原序列存在单位根, 即非平稳序列, 一阶差分之后不存在单位根即是平稳序列. 下面对YSA序列进行一阶差分之后建立ARMA模型.4.2 ARMA(p,q)模型的建立与识别4.2.1建立ARMA(p,q)模型的代数表达式4.2.2对模型中参数p和q进行识别利用Eviews 6.0得出一阶差分后YSA序列的自相关函数ACF和偏自相关函数PACF图, 对p和q进行初步的判断, 对D(YSA)建立的模型为ARMA(1,1), 其表达式为:得到下面ARMA(1.1)建模估计结果.根据表3可得在0.05的显著水平下, ARMA(1.1)的各项系数均是显著的, 且总体方程的概率P值为0.008064小于0.05的显著水平, 也是显著的. 得到具体的方程为: 利用上述建立的模型对样本数据进行预测. 得到的结果如图4所示.根据图4可得基于ARMA(1,1)三亚机场的实际客流量也预测客流量几乎是重叠, 计算得到预测的平均绝对误差说明ARMA(1,1)模型预测的效果比较理想.根据图3可以得到调整后的机场客流量几乎呈随时间呈线性增长趋势, 下面就建立客流量随时间的一元线性回归模型, 进行拟合预测. 建立的一元线性回归模型为:其中表示随机误差项, 表示为时间2005年1月为1, 后面依次类推. 利用Eviews6.0得到的估计结果如表4所示.根据表4可得在0.05的显著水平下, 回归系数均是显著的, 且总体方程F统计量的概率P值为0.0000小于0.05的显著水平, 说明总体方程是显著的. 另一方面调整后的拟合优度值, 说明上述建立的回归方程的拟合效果非常好. 得到回归方程为: 利用建立的回归方程进行预测得到的预测结果如图5所示.根据图5可得基于回归模型三亚机场的实际客流量也预测客流量几乎是重叠, 计算得到预测的平均绝对误差说明回归模型预测的效果比较理想.6 基于组合方法预测经过上述三种方法预测可以看出ARMA模型的预测误差最小, 而线性回归模型的预测误差最大, Holt-Winter季节乘法模型的预测误差介于二者之间. 且Holt-Winter季节乘法模型的预测值偏小而ARMA模型和线性回归模型的预测误差偏大. 采用一种方法可能存在偏差, 本文最后采用组合模型, 因为回归的方法预测的误差较大, 所以最后只选择Holt-Winter季节乘法模型和ARMA模型进行组合预测, 即是取其上述二个模型平均绝对误差的比值作为权重进行预测, 其中Holt-Winter 季节乘法模型的权重为0.5584, ARMA模型的权重为0.4416. 可以得到组合预测的公式:(10)表示权重.利用上述二种方法的组合来对三亚机场客流量进行预测得到的结果如图6所示. 根据图6可以看出组合预测的预测值介于上述二种预测方法得到的值之间, 其预测的平均绝对误差下面给出四种方法预测的平均绝对误差. 得到结果如表5所示.图6 三种方法与组合预测的比较表5 各方法预测的平均绝对误差预测方法Holt-Winter季节模型ARMA模型回归模型组合预测模型 MAPE4.543.597.623.98根据表5可以看出, ARMA模型的预测效果最好, 其实是组合预测模型, 然后是Holt-Winter季节模型, 回归模型的预测效果相对较差. 但是四种预测方法算出的平均绝对误差均小于10, 说明四种方法总体的预测效果比较理想. 四种方法预测未来机场两年的客流量的预测值, 结果如表6所示, 折线图如图7所示.表6 未来机场客流量预测时间Holt-Winter季节模型ARMA模型回归模型组合预测模型 Nov-15169.19154.22149.13162.58 Dec-15194.19177.52171.66186.83 Jan-16227.13206.16199.36217.87 Feb-16233.57213.06206.02224.51 Mar-16201.73184.41178.32194.08 Apr-16150.00135.30130.83143.51 May-16127.29116.42112.57122.49 Jun-16108.9399.9696.65104.97 Jul-16132.54121.32117.31127.59 Aug-16137.42126.01121.83132.38 Sep-16110.54103.63100.19107.49 Oct-16138.85127.43123.20133.81 Nov-16181.07166.83161.29174.78 Dec-16207.75191.93185.56200.76 Jan-17242.89222.80215.39234.02 Feb-17249.69230.13222.48241.05 Mar-17215.57199.09192.47208.29 Apr-17160.23146.00141.14153.95 May-17135.92125.56121.38131.35 Jun-17116.28107.76104.17112.52 Jul-17141.43130.73126.38136.71 Aug-17146.59135.72131.19141.79 Sep-17117.87111.56107.84115.08 Oct-17148.01137.12132.54143.20图7 未来机场客流量预测7 结语Holt-Winter季节乘法模型的预测值相对于其他方法, 预测值偏高, ARMA模型预测值次之, 而回归模型的预测值相对于其他方法偏低, 组合预测方法介于Holt-Winter季节乘法模型和ARMA模型之间.在“一带一路”、国家海洋强国、海南国际旅游岛三大战略的前提下, 三亚作为海南省南部的重要城市, 承载着实现国家三大战略的历史使命. 三亚凤凰国际机场作为南中国重要的交通港, 客流量总体呈上升的趋势, 根据预测, 旅客吞吐量将会在两年内突破2000万人次大关. 因此, 在三大战略的背景下, 机场改、扩建迫在眉睫, 建设新机场也势在必行, 新机场的总体规划也应长远考虑, 加快项目落地和推进.参考文献1 演克武,朱金福.基于支持向量机回归算法的航空公司客流量预测研究.企业经济,2010,23:88–90.2 屈拓.组合模型在机场旅客吞吐量预测中的应用.计算机仿真,2014,29(4):108–111.3 陈荣,梁昌勇,陆文星,等.基于季节SVR-PSO的旅客客流量预测模型研究.系统工程理论与实践,2013,33(1):1–7.4 黄邦菊,林俊松,郑潇雨,等.基于多元线性回归分析的民用运输机场旅客吞吐量预测.数学的实践与认识,2013,43(4): 172–178.5 关静.基于灰色支持向量机的民航旅客吞吐量预测.大连交通大学学报,2013,34(6):41–43.6 景崇毅.基于迭加趋势的航线季节客运需求分析方法.中国民航飞行学院学报,2014,25(2):5–7,11.7 陈玉宝,曾刚.基于组合预测方法的民航旅客吞吐量预测研究.中国民航大学学报,2014,32(2):59–64.8 田中大,李树江,王艳红等.经验模式分解与时间序列分析在网络流量预测中的应用.控制与决策,2015,30(5):905–910.9 杜刚,刘娅楠.季节性变动影响下的上海港即装下吞吐量预测.华东师范大学学报(自然科学版),2015(1):234–239.10 方英国,王芬.时间序列预测方法综述.浙江树人大学学报,2006,6(2):61–65.11 陈飞,高铁梅.结构时间序列模型在季节调整方面的应用——与X-12季节调整方法比较分析.系统工程理论与实践,2007,(11):7–14.Sanya Airport Passenger Flow Forecast Based on Combination Forecast MethodLIU Xia1, CHEN Lei1, LI Yuan-Hui1, YANG Ping2, CHEN Ming-Rui31(Sanya Aviation Tourism College, Sanya 572000, China)2(Comprehensive Management Department, Sanya Phoenix International Airport Company Limited, Sanya 572000, China)3(College of Information Science & Technology, Hainan University, Haikou 570228, China)Abstract：Accurate passenger-flow forecast has always been playing the crucial role on the construction and development of the airport. This passage based on the data of passenger flow from 2005 to 2015 at Sanya Phoenix International Airport is proposed to predict the flow from 2016 to 2017 by adopting Holt-Winter seasonal model, ARMA model and liner regression model. In order to promote the forecasting accuracy, the portfolio weight method is used to forecast the result and reduce the error. According to the verification, this measure is one of the effective ways to predict the passenger flow.Key words：airport; passenger flow; holt-winter; ARMA; liner regression; combination①基金项目：2014年三亚市院地合作科技项目(2014YD52)收稿时间：2015-12-02;收到修改稿时间:2016-01-14[doi：10.15888/ki.csa.005268]经过上述三种方法预测可以看出ARMA模型的预测误差最小, 而线性回归模型的预测误差最大, Holt-Winter季节乘法模型的预测误差介于二者之间. 且Holt-Winter季节乘法模型的预测值偏小而ARMA模型和线性回归模型的预测误差偏大. 采用一种方法可能存在偏差, 本文最后采用组合模型, 因为回归的方法预测的误差较大, 所以最后只选择Holt-Winter季节乘法模型和ARMA模型进行组合预测, 即是取其上述二个模型平均绝对误差的比值作为权重进行预测, 其中Holt-Winter 季节乘法模型的权重为0.5584, ARMA模型的权重为0.4416. 可以得到组合预测的公式:利用上述二种方法的组合来对三亚机场客流量进行预测得到的结果如图6所示. 根据图6可以看出组合预测的预测值介于上述二种预测方法得到的值之间, 其预测的平均绝对误差下面给出四种方法预测的平均绝对误差. 得到结果如表5所示.根据表5可以看出, ARMA模型的预测效果最好, 其实是组合预测模型, 然后是Holt-Winter季节模型, 回归模型的预测效果相对较差. 但是四种预测方法算出的平均绝对误差均小于10, 说明四种方法总体的预测效果比较理想. 四种方法预测未来机场两年的客流量的预测值, 结果如表6所示, 折线图如图7所示.Holt-Winter季节乘法模型的预测值相对于其他方法, 预测值偏高, ARMA模型预测值次之, 而回归模型的预测值相对于其他方法偏低, 组合预测方法介于Holt-Winter季节乘法模型和ARMA模型之间.在“一带一路”、国家海洋强国、海南国际旅游岛三大战略的前提下, 三亚作为海南省南部的重要城市, 承载着实现国家三大战略的历史使命. 三亚凤凰国际机场作为南中国重要的交通港, 客流量总体呈上升的趋势, 根据预测, 旅客吞吐量将会在两年内突破2000万人次大关. 因此, 在三大战略的背景下, 机场改、扩建迫在眉睫, 建设新机场也势在必行, 新机场的总体规划也应长远考虑, 加快项目落地和推进.1 演克武,朱金福.基于支持向量机回归算法的航空公司客流量预测研究.企业经济,2010,23:88–90.2 屈拓.组合模型在机场旅客吞吐量预测中的应用.计算机仿真,2014,29(4):108–111.3 陈荣,梁昌勇,陆文星,等.基于季节SVR-PSO的旅客客流量预测模型研究.系统工程理论与实践,2013,33(1):1–7.4 黄邦菊,林俊松,郑潇雨,等.基于多元线性回归分析的民用运输机场旅客吞吐量预测.数学的实践与认识,2013,43(4): 172–178.5 关静.基于灰色支持向量机的民航旅客吞吐量预测.大连交通大学学报,2013,34(6):41–43.6 景崇毅.基于迭加趋势的航线季节客运需求分析方法.中国民航飞行学院学报,2014,25(2):5–7,11.7 陈玉宝,曾刚.基于组合预测方法的民航旅客吞吐量预测研究.中国民航大学学报,2014,32(2):59–64.8 田中大,李树江,王艳红等.经验模式分解与时间序列分析在网络流量预测中的应用.控制与决策,2015,30(5):905–910.9 杜刚,刘娅楠.季节性变动影响下的上海港即装下吞吐量预测.华东师范大学学报(自然科学版),2015(1):234–239.10 方英国,王芬.时间序列预测方法综述.浙江树人大学学报,2006,6(2):61–65.11 陈飞,高铁梅.结构时间序列模型在季节调整方面的应用——与X-12季节调整方法比较分析.系统工程理论与实践,2007,(11):7–14.。
- 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)。
基于一元线性回归的三亚房地产投资趋势实证
作者：林龙兴
来源：《农村经济与科技》2016年第04期
[摘要]通过研究往年三亚市统计数据，观察分析得到过夜游客人数与房地产投资额的增长变化具有一致性，进而采用一元线性回归的方法得出两者变化呈正相关线性关系，并通过r验证；从而得出过夜游客人数变化趋势估计房地产投资趋势的结论。
[关键词]过夜游客人数；房地产投资额；趋势；线性回归
[中图分类号]F224
[文献标识码]A
1.三亚房地产投资与过夜游客人数统计数据
从三亚市统计局网站查阅分析相关数据，观察到2013年三亚房地产开发投资与商品房销售保持高位运行。
房地产开发投资302.72亿元，增长27.0%，占投资总额的57.9%，比上年提高2.5个百分点。
北方地区雾霾天气较多，三亚得天独厚的自然环境优势凸显，商品房销售形势较好。
全年商品房销售面积达到105.14万平方米，同比增长70.5%。
全年房地产业增加值99.48亿元，增长8.2%，比上年同期提高4.6个百分点。
旅游接待过夜游客人数快速增长。
继续加强国内外旅游宣传促销，积极发展邮轮经济，规范旅游市场秩序，提高旅游服务水平，旅游业快速发展。
全市接待过夜游客1228.40万人次，增长11.5%，比上年增长3.5个百分点。
随着邮轮游艇、休闲养生、文化旅游等高端旅游产品更加丰富，内涵逐步加深，游客在三亚停留时间、花费有较大提升。
全年实现旅游总收入233.33亿元，增长21.4%，收入增速比接待过夜游客人数增速高出9.9个百分点，旅游发展转型升级取得显著成效。
往前研究数据至2009年，发现各年房地产投资额的变化趋势和过夜人数变化趋势都呈现增长。
通过这些数据绘制成表格并绘出柱形图统计三亚市2009年-2013年这5年的房地产投资额和过夜人数的数据（如表2所示1。
2.三亚房地产投资与过夜游客人数相关关系
选取一元线性回归模型的变量：三亚市房地产投资额与过夜游客人数。
根据统计数据绘制出两变量之间的散点图，如图2所示：相关关系；00.7，为高度线性相关；0.3
代入（2）求得r=0.0059（保留4位有效数字）r>O，称正线性相关，Xi上升，yi呈线性增加。
所以该模型具有相关性。
3.实证小结
根据上述数据分析得出的结论是根据线性关系，可知过夜游客人数一直处于上升趋势，r>0，称正线性相关，所以三亚市房地产投资额与过夜人数称线性相关关系，且得出一直处于上升趋势，根据这一结论，我们不难预测出，三亚2015年过夜游客人数继续上升为1500万人，则代入预测模型方程中得到房地产投资额Y=380.65亿元。
三亚的旅游人数促进了三亚市房地产投资的上升，同时也因为房地产投资的完善促进了进一步旅游人数的上涨，推动了三亚市的经济发展。