商品房普通住宅销售均价动态模型研究

摘要

“涨”,反应了我国最近几年最为普遍的民众心声,更入选为年度“热词”,而最值得我们关注的非“房价涨”莫属。有关房地产的相关研究,很早以前就开始进行。随着“涨声一片”,关于房价的理论探讨和实证分析也如雨后春笋般,在学术界和理论界掀起了一阵阵热潮。由于住宅问题,关系到最广大民众的最基本的生存问题,这个话题总存在着研究和考察的价值和意义。因此,在前人的理论与实证分析的基础上,笔者将在本文继续探讨房价这个话题。
　　 本文以普通住宅价格为主要研究对象,通过借助里昂惕夫投入产出分析法的基本思想,选择性地引入影响住宅价格的成本因素,构建关于房价的动态模型。同时,笔者在不考虑其他影响因素的情况下,仅从房价本身的变化趋势来进行预测模拟,主要通过利用一元回归预测模型、灰色预测模型、神经网络模型和组合神经网络模型来进行预测和分析。通过这样两种不同前提下的动态模型的研究,并利用成都市普通住宅均价作为样本数据,运用数学软件MATLAB和统计学软件SPSS,最终得到具有现实意义的实证结果。本文得到的主要结论如下:
　　 (1)在关于房价投入产出动态模型中,当其他因素不变时,本期房价上升,将导致下期的房价上升,即本期的房地产市场形成了良好的预期,将增强房产商和投资者的信心。
　　 当其他条件不变的情况下,本期的土地成本占有率和建安成本占有率与下一期的房价增幅之间表现出反向相关的关系,即当本期的土地成本占有率和建安成本占有率增大,则下一期的房价增幅将下降;反之,则相反。此现象所反应的本质是土地成本和建安成本等在房价中的比重增大,则预示着房地产开发过程中的技术成本费用比例增大,则资金成本比例将减少,这种情况将有利于房价的理性回归。
　　 当其他条件不变的情况下,本期土地占有率、建安成本占有率对下一期房价的影响明显小于贷款利率和税率对下一期房价的影响,且贷款利率对下一期房价的影响是最显著的,贷款利率与下期房价呈反向相关性。即当期贷款利率上升,将导致下一期房价的上涨:反之,则相反。这一方面可以看出利率在影响房价因素中的重要地位,另一方面也可以看出房价对贷款利率变化的较强敏感性。
　　 (2)分别采用四种普遍的预测方法对房价进行预测,结果显示,在对成都市区普通住宅销售均价的预测中,一元回归预测效果相对显著,而对成都郊区普通住宅销售均价的预测中神经网络预测效果相对显著。因此可以看出,成都市普通住宅销售均价的变化对历史数据有较强的依赖性,这表现为房产商、投资者和购房者对房价的预期,较强地依赖于往期价格的一种现象。
　　 最后本文根据结论得到政策建议如下:
　　 (1)合理规范房地产市场
　　 (2)合理引导利率传导机制
　　 (3)合理利用税费,有效制约房地产开发过程中的暴利行为
　　 (4)合理规范土地市场,高效利用土地资源
　　 (5)加强房地产开发的成本控制和管理
　　 总之,要使房地产市场健康持续的发展,使房价有效地回归理性,必须依靠房地产市场的各个参与方的不断努力与有效协作和沟通。

目录

文摘

英文文摘

1 导论

1.1 研究背景和意义

1.2 研究对象

1.3 研究方法和创新点

1.3.1 研究方法

1.3.2 创新点

1.4 研究内容和框架

1.4.1 研究内容

1.4.2 研究框架

2 文献综述

2.1 国内研究现状

2.2 国外研究现状

3 商品房普通住宅价格影响因素的一般分析

3.1 住宅价格特点及构成

3.1.1 住宅价格特点

3.1.2 住宅价格构成

3.2 房价与地价关系研究

3.2.1 地价概述

3.2.2 房价与地价关系述评

3.3 税率与房价的关系研究

3.4 利率与房价关系研究

3.5 其他影响因素与房价关系研究

3.5.1 汇率对房价的影响

3.5.2 收入水平与投资对房价的影响

3.5.3 地理位置及区位特征对房价的影响

3.5.4 建造成本对房价的影响

3.5.5 人口因素与行为因素对房价的影响

3.5.6 宏观经济环境和政策对房价的影响

4 投入产出模型研究

4.1 里昂惕夫投入产出分析概况

4.1.1 里昂惕夫投入产出理论基础

4.1.2 动态逆矩阵

4.2 影响因素选取与模型假设

4.2.1 影响因素选取

4.4.2 模型假设

4.3 动态模型构建

4.3.1 关于房价的投入产出动态模型建立

4.3.2 模型修正与改进

4.4 模型实证检验

4.4.1 数据处理

4.4.2 实证分析与检验

4.5 模型分析与小结

5 其他动态预测模型研究

5.1 数据处理

5.2 统计回归模型

5.2.1 统计回归模型介绍及检验原理.....

5.2.2 统计回归模型应用

5.3 灰色预测模型

5.4 神经网络模型

5.4.1 神经网络模型理论介绍

5.4.2 神经网络模型分析

5.5 神经网络组合预测

5.5.1 组合预测原理介绍

5.5.2 组合预测应用

5.6 误差检验

5.6.1 误差检验原理

5.6.2 四种预测法误差比较

5.7 小结

6 结论与政策建议

6.1 主要结论

6.2 政策建议

参考文献

附录

后记

致谢

研究生在校期间的科研成果