住宅价格

摘要： 以2005—2019年31个省市数据为样本,运用PVAR模型,实证检验了住宅价格、居民消费和城镇化自身及相互之间影响关系。结果表明:三者之间存在完整、连贯的互动关系。住宅价格上涨促进居民消费增加,居民消费增加提升了城镇化水平,住宅价格对城镇化水平的影响是正向的。城镇化水平提升有利于居民消费水平增长,居民消费增长促进住宅价格上涨,城镇化水平提升对住宅价格的影响是正面的。依据分析结果提出了住宅价格、居民消费以及推动城镇化发展的建议。

摘要： 城市更新作为当今各大城市发展核心战略之一,能够提升区域的经济、社会和环境效益,而其对区域周边住宅价格的影响亟待深入讨论。论文以深圳市为例,基于2019年6—7月深圳市城市更新项目周边1002个住宅二手房挂牌单价数据,在传统特征价格模型的框架下,将城市更新特征引入模型进行拟合,并结合回归结果与边际价格分析了深圳市城市更新对周边住宅价格的总体影响。研究结果表明:住宅周边的城市更新项目对其价格具有显著增值作用,且该增值作用随项目数量、项目容积率、公司注册资本递增,而随项目距离递减;从影响程度来看,商业项目>居住项目>工业项目,不同类型项目对周边住宅价格影响的途径也各不相同。

摘要： 地铁是促进居民低碳出行、解决城市交通及一系列衍生问题、有助于实现碳达峰、碳中和目标的重要交通方式。作为大型城市交通基础设施和地方公共产品,地铁提高了站点地区的可达性,可能产生经济外部性,如提升土地和房地产价格。大量研究关注此话题,但是它们较少考虑站点类型的差异,比如区分换乘站、首末站和常规站。因此,本研究基于成都2019年已开通的6条地铁线路周边2.5 km范围内2535个小区的27814个交易住宅样本,构建了双层随机截距特征价格模型,估计了各个住宅特征的影子价格,对比换乘站、首末站和常规站对住宅价格的影响差异。实证结果表明:地铁正向影响周边房价,带来增值效应;邻近换乘站与房价正相关;邻近首末站与房价负相关;换乘站的增值效应远大于常规站;首末站的增值效应和常规站无显著差异。最后,围绕土地价值捕获的政策制定进行了讨论。

摘要： 轨道交通建设在中国已历经了五十多年的发展历程。随着城市人口尤其是大城市人口的急剧增长,轨道交通已是解决城市通勤问题的重要交通工具,地铁也逐渐成为很多城市的名牌。自2010年起,轨道交通客运量一直保持着稳定增长,这不仅纾解了城市交通拥堵,而且地铁的外部经济性也为城市带来巨大的经济效益。如何衡量轨道交通的外部经济效应成为地产开发商、消费者及城市规划者要考虑的问题。基于特征价格模型理论,以房价作为被解释变量,通过构建特征价格模型,运用SPSS数据分析对长沙轨道交通1号线周边101个小区的住宅价格以及其他楼盘信息研究,采用模型检验、描述性统计、半对数回归模型实验等方法量化轨道交通的外部经济效益。研究发现,在假设其他因素对房价没有影响,只考虑地铁这一单因素时,住宅价格和住宅与地铁站点之间的距离呈负相关关系,亦即通常住宅越接近地铁站点,它的价格也相对较高,反之可推。但这一影响只在一定范围内才成立,在住宅距离站点1000 m以外时,地铁这一因素对房地产价格产生的影响非常有限。

摘要： 以2018年12月为时间截点,选取合肥市市辖区(包河区、瑶海区、庐阳区、蜀山区)为研究区,通过地理加权回归模型(GWR)、OLS模型等方法对研究区住宅价格及其影响因素、驱动机制进行研究。结果表明:合肥市房价具有显著空间聚集性,呈现由中心向四周衰减的趋势,聚集峰值中心为天鹅湖、滨湖新区和老城区;合肥市住宅价格受多方面的影响,具体表现为物业费用>超市数量>房龄>银行数量>绿化率>医院距离>地铁站距离>学校距离;GWR模型在合肥市住宅价格分析中具有更高的精确度,OLS模型校正R^(2)为0.17,GWR模型校正R^(2)为0.50,GWR模型比OLS模型对住宅价格的解释能力提高了33.30%,同时,从AICc值看GWR模型的拟合效果显著优于OLS模型。

摘要： 采用深度学习技术SegNet网络模型对石家庄市27124张街景图像中的街道绿色特征进行提取,计算街道绿视率,在此基础上建立特征价格模型,进一步分析街道绿化对住宅价格的影响。研究结果表明:石家庄市街道整体绿视率平均值为25.92%,高于人眼感觉最舒适的街道绿化水平;街道绿视率空间分布差异较大,商场密集路段以及高架桥遮挡视线路段分值较低,城市支路分值普遍较高;街道绿视率对住宅价格影响程度较高,街道绿视率每提高1%,每套住宅价格平均上涨1.194万元。研究结果可为政府实施城市精细化管理提供帮助,为城市规划以及房地产开发提供依据。

摘要： 住宅价格空间分异性能体现社会空间异质性,理解当前住宅价格空间格局分异特征及影响因素对北京这类超大城市进行相关规划有重要意义。利用空间插值方法分析北京二手房住宅价格空间格局,采用地理加权回归模型分析住宅价格空间分布影响因素。结果发现:北京市住宅价格的空间分布呈现圈层结构,高值区集中在四环路内,低值区集中在六环路外,但城市副中心地区住宅价格较高;地铁站、大型商圈、文化教育机构、娱乐和艺术场所等对住宅价格有促进作用,但地铁站和大型商圈对高端住宅的影响完全不同;建成环境、交通区位和政策也会对住宅价格空间分异产生影响。城市规划可据此对住宅小区周边的相关设施与环境予以协调与优化,特别是重视精神文化生活的配套建设。

摘要： 随着社会的快速发展,人们对学校质量、教育水平的需求也越来越高[1]。因此,教育行业之间的竞争亦愈发激烈,教育资源的公平性与合理性成为教育主管部门的重中之重。文章通过GIS平台对长春市南关区现有中小学校进行空间统计分析,并结合学校周边居住区的房价和交通特征,进行高效的可视化表达,揭示了南关区中小学校的空间分布特征,探讨其存在的问题,并提出合理化建议。

摘要： 针对以往住宅价格影响因素分析中忽略城市路网形态参数的问题,该文基于空间网络分析,将不同搜索半径下道路接近度与穿行度纳入住宅价格特征变量,构建空间计量模型,探究成都市路网形态对住宅价格的驱动效应。结果表明:1)相比享乐回归模型和地理加权回归模型,多尺度地理加权回归模型揭示了不同变量的空间影响尺度,更适用于探究成都市路网形态对住宅价格的影响;2)路网的局部接近度、局部穿行度核心位于二环内,全局接近度核心主要分布在四环内,全局穿行度核心主要分布在交通干道上;3)不同搜索半径下对住宅价格具有显著驱动效应的接近度均为全局尺度变量,该效应在空间上相对平稳,而穿行度作为局部变量,其在空间上的影响尺度随搜索半径的变化而存在差异,具有一定的空间异质性,其中,路网接近度对住宅价格产生正向影响,其系数空间格局呈跨尺度相似特征,而穿行度产生负向影响,其系数空间格局呈跨尺度变异特征;4)各搜索半径下路网形态变量的差异可在一定程度上改变消费者对其他影响因素的偏好程度。

摘要： 基于北京市六环内2012—2020年二手房住宅价格的空间数据,运用空间插值分析、空间趋势面分析及探索性空间数据分析(ESDA)对北京市住宅价格的空间分布特征进行模拟和研究,运用地理探测器模型探索北京市住宅价格分异的影响机制。结果显示:2012年以来,北京市住宅价格整体呈上涨趋势,各环线分层明显,住宅价格时间演变存在明显的阶段性特征;空间上表现出由市中心向外围递减、呈不规则多中心的圈层分布格局;住宅价格存在显著的正空间关联特征,高高集聚区以四环内为主;影响因素显示区位特征对住宅价格的影响程度最大,邻里特征次之,建筑特征最后。

摘要： 在北京,轨道交通逐渐形成网络系统,高等教育发展程度高且分布集中,这是全国其他城市所没有的情况.本文选取住宅销售价格和住宅租赁价格作为因变量,轨道交通网络完善程度和高等教育水平作为核心特征因子.使用Hedonic模型和计量经济学方法,详细分析影响住宅价格的因素.通过模型分析,得到如下结论:1)区域轨道交通网络的完善可以显著促进整个区域房价的上升,并不仅仅局限在轨道交通沿线;2)住宅销售价格比住宅租赁价格对区域轨道交通完善程度的敏感性更高;3)高等教育的发展对住宅销售价格和租赁价格都是一个正的影响,但是高等教育的发展对于促进区域住宅价格上升的效率远远小于基础教育事业的发展.因此,从提升整个区域的基础服务环境品质的角度上讲,基础教育的发展可能是一个更好的选择.

摘要： 基于2002～2010年中国35个大中城市的面板数据,运用空间滞后双向固定模型的方法对城市住宅价格的空间关联性进行了分析.实证结果显示中国城市房价存在显著的空间正相关性,住房价格相对较高或者较低的城市在空间上趋于集群,空间依赖性在一定程度上起到了决定房价的作用,并且这种空间交互作用还显著地影响着邻近城市的住房价格.在此基础上,进一步分析了财政分权程度及城市公共服务对房价的影响.研究结果显示财政分权制度设计下的地方竞争对地方政府推高房价具有显著的正向影响;并且由教育、医疗、交通、环保等社会服务水平以及现代化程度等因素所决定的城市公共服务与房价存在着显著的正向联系,房地产市场发展进程之中的区域性背离,其中一个重要原因在于各地区公共服务水平的失衡.

摘要： 本文选取城市轨道交通对沿线住宅价格影响这个研究角度,收集了天津地铁1号线通车之后的几年中沿线住宅价格等数据资料,运用定性与定量分析的方法,对地铁1号线对沿线住宅价格影响情况进行了实证研究.通过数据统计初步分析表明，住宅价格与房屋和地铁站点的距离存在着一定的关系，价格随着距离地铁站点的距离增大而衰减。

摘要： 随着市场经济体制的日益完善、住房制度改革的推进以及城市住宅开发渠道的日益拓宽,广州城市居住类型呈现出多元化发展的特征,城市居住空间分异的现象日趋明显.本文通过大量收集广州市越秀区住宅销售价格及住宅特征的相关数据资料,以特征价格模型(HPM)为方法建立住宅特征与住宅价格的关系模型,从而解释了越秀区住宅价格分异的原因及动力.根据住宅价格所引起的社会分异现象，应该根据其产生的原因，对房地产开发和其他公共资源配置给予引导。通过在未来的居住区规划中大力推广“混合居住”模式和政府提高公共资源配置的公平性及加强法制建设来减少社会矛盾，推动社会和谐发展。

摘要： 为了解大都市居民对住宅郊区化的认知,探讨其参与住宅郊区化的影响因素及其差异.文章运用描述性分析与因子分析等方法对湖南省长沙市住宅郊区化的影响因素进行了系统研究.研究得出:①电子商务、居住品质、公共配套、住宅价格与购房目的是影响住宅郊区化的五大驱动因子;②电子商务、居住品质、公共配套与购房因子在0.01水平(双侧)上与住宅郊区化显著正相关,住宅价格与住宅郊区化在0.05水平(双侧)上显著相关;③依据购房目的是否显著,将住宅郊区化影响因素分为目标明确型与目标模糊型两大类型.最后,基于住宅价格对住宅郊区化的影响较小,而公共配套对住宅郊区化的影响最大等研究结果,提出了相关建议.

摘要： 近年来影城结合商场、娱乐及餐饮,如雨后春笋般出现,建商售屋亦常以影城为吸睛广告.对消费者而言,影城对周边住宅价格影响是否存有关联性系其购屋选择关心条件之一,然而现今影城的类型大不相同,且观察到影城大多座落于商圈内或是与百货商场结合.因此,实证分析,首先,交叉分析影城与住宅价格的相关程度,并应用集群分析以控制异质样本,形成同质性的房屋属性来看影城价格效果.透过复回归模型实证结果得知,影城对周边住宅价格是有影响的,以总价1,000万元房屋,平均而言,正向的价差介于41万元至310万元之间,负向的价差则介于30万元至271万元之间,并且正向的价差高於负向的价差.经由实证结果发现,关於影城与周边住宅价格之关系有正向也有负向的差异,房价会因为影城进驻而随之上涨的诱因不如先前市场上所宣称的那麽明显,住宅周边有影城未必都能提升房价,亦可能会降低房价.进一步将影城依经营模式及服务方式分类进行实证,采连锁经营模式的影城周边房价价差约为40万元,而提供复合式服务或仅提供单一式服务的影城,对房价的影响差别不大.实证结果确实厘清影城不同经营模式于周边房价影响之程度,得到采连锁经营的影城类型其周边房价价差较高,显见不同影城的品牌价值确实不尽相同.本次实证结果可提供消费者在评估购买房屋时之参考,亦可作为开发商与销售业者在预售屋订价策略及广告遵循原则.

摘要： 随着我国人民生活水平的提高,房地产业的快速发展,我国住宅价格的不断上涨,各城市间城市价值的巨大差异是导致不同城市间的住房价格明显差异的重要原因.本文通过对城市价值和房价的相互关系探讨,以35个大中城市为例,从城市经济发展和城市生活质量两大方面构建城市价值的指标体系,通过因子分析等方法,对城市价值进行综合评价和排名,并对各城市价值与房价之间的关系进行协调性和相关性分析,得出房价水平和城市价值水平呈现一定的正相关性,对合理地开发和指导房地产活动,增强城市房地产开发的活力,以及为政府进行房地产市场宏观调控和政策制定提供参考.

摘要： 依据中国台湾行政主管部门所做的住宅普查(2010)结果显示,中国台湾地区的住宅自有率超过八成,远高于欧美地区,但由于近年来台湾房价逐渐飙涨,而所得成长相对缓慢,购房已成为台湾家庭在所得支出上的主要负担. 对于购房可负担能力的探讨的文献有很多,在2010年台湾行政主管部门提出若干购房负担能力的衡量指标,包括贷款负担率(即中位数房价贷款每月贷款金额除以家庭可支配月所得的比率)、房价所得比(Price to Income Ratio,即PIR值)以及住宅可负担指数(即中位数所得家庭可支配月所得三成,除以中位数房价的每月应缴本利),等等.其概念主要是家庭所得能力是否足够支付住宅价格,若住宅价格超过家庭所得可负担能力(housing affordability),则存在购房负担风险.此购房负担风险受到许多因素的影响,包括家庭所得、购房补贴政策等.本研究的探讨主题针对影响购房风险中的"贷款所得比"进行探讨,其研究分为两个部分： (1)利用"台湾住宅需求动向调查"建立贷款所得比； (2)通过相关理论基础建立购房负担能力的衡量指标,建立评估购房负担风险的模型。 而选定地区以中国台湾台北地区进行实证分析,其研究结果发现,以线性回归推估出的贷款所得比为0.274;而直接以台湾住宅需求动向调查内的月贷款除以月所得的中位数的比例值为0.28,两者的数值相接近,也与一般认定的贷款所得比不应超过0.3相符合。

摘要： 本文利用1999-2009年我国31省市的商品住宅价格与经济适用房相关变量的面板数据，运用固定样本回归以及特征价格模型等分析方法，对住宅与经济适用房的关系进行实证研究。研究结果表明，31个省市住房保障主要成分变量的当前信息或历史信息，可以解释部分房地产市场价格水平变化率。本文得出经济适用房作为我国公共住房保障的主要组成，对住宅价格存在影响，但不显著。但积极稳健的发展公共住房保障政策，仍然是调控房地产市场供求的有效手段之一，必须引起政府和行业的足够重视。

摘要： 本文在大量查阅相关文献资料的基础上，综合剖析了地价与房价的影响因素及二者的相互影响途径，以此作为基础米研究地价与房价之间的关系。主要结论如下:(1)短期内，地价上涨直接导致房价上涨，而房价对地价的影响要通过房地产开发活动的一定阶段才能体现出来;长期来看，地价与房价无显著因果关系，其价格的涨跌最终由二者的供需状况决定。(2)影响地价与房价涨跌的因素很多，地价与房价之间的相互影响只是其中之一，而非决定性因素。(3)近年来，房地产市场刚性需求旺盛。但住宅市场供给结构不平衡，经济适用房供给比例小，不能保证低收人家庭的住房需求。

摘要： 本发明公开一种基于大数据分析的住宅土地拍卖价格智能评估方法及云平台，通过对住宅土地周围区域的基础设施情况进行分析，并对住宅土地的土壤环境参数、大气环境参数进行检测，同时对住宅土地轮廓的形状进行获取，进而分别统计出各类基础设施对应的拍卖价格影响系数、住宅土地土壤环境污染系数、住宅土地大气环境污染系数和形状类别影响系数，综合以上统计住宅土地的综合拍卖价格影响系数，从而根据统计的住宅土地综合拍卖价格影响系数计算住宅土地拍卖评估价格，克服了目前住宅土地评估对应的评估指标过于单一的不足，提高了评估指标的全面性和综合性及评估结果的准确度，其评估的拍卖价格能够综合反映该住宅土地的价值。

摘要： 一种基于GIS网格数据的住宅存量房税基价格评估方法，包括：行政属性、小区特征和房屋特征，每一个行政属性和每一个小区特征均设置有多个等级；从历史数据中选择已成交房屋作为学习对象，获取各学习对象对应的各行政属性的等级、小区特征的等级和房屋特征作为样本数据，并获取各学习对象的成交价格作为标注数据；结合相对应的样本数据和标注数据建立标注样本；获取训练模型并对标注样本进行学习，以获得参数固定的价格评估模型。本发明中通过片区网格、小区和房屋的划分，实现了片区价格、小区价格、房屋价格的层层递进式估价，在同一划分层次上，实现了同一划分区域内的价格均衡估计，然后通过进一步的补充纠正，最终实现房屋价格估计。

摘要： 本发明涉及一种新建住宅价格指数计算方法、终端设备及存储介质，该方法中包括：S1：根据采集的历史住宅基础数据构建基础数据匹配数据库；S2：采集新建住宅备案信息，通过将采集的新建住宅备案信息与基础数据匹配数据库中的内容进行匹配，提取新建住宅备案信息中的特征数据；S3：根据提取的数据进行分类统计；S4：根据分类统计的数据计算每个面积段下每一个项目的价格指数、权重和指数贡献；S5：根据每个项目的指数贡献，计算每个面积段的价格指数；S6：根据每个面积段的价格指数，计算全市新建住宅的价格指数。本发明计算的价格指数完全基于真实成交价格，得到的价格指数可以真实反应市场情况。

摘要： 本发明涉及一种普通商品住宅价格指数计算方法、终端设备及存储介质，该方法中包括：S1：将发布商品住宅销售价格指数时的三个面积段进行进一步细分，采集细分后的多个面积段的本期和上期的成交数据；S2：计算本期和上期对应统计点的成交均价；S3：计算每个面积段的每个统计点的本期较上期的面积段价格指数；S4：对每个面积段的所有统计点计算得到的面积段价格指数进行筛选，得到每个面积段的多个优选价格指数；S5：计算每个面积段的最优价格指数；S6：计算普通商品住宅价格指数。本发明仅需要提供当期和历史时期多个面积段商品住宅的成交数据即可计算，无需提供其他房屋特征数据，简单、准确，适用于商品住宅价格指数的计算。

摘要： 本发明涉及一种住宅价格指数预警方法、终端设备及存储介质，该方法中包括：S1：计算监测区域内各项目的价格指数和指数贡献、各面积段的价格指数和指数贡献和监测区域整体的价格指数；S2：根据步骤S1的计算结果、第一控制指标和第二控制指标以预警方式中的一种或多种进行预警，所述预警方式包括：正常项目预警、异常项目预警、监测区域面积段价格指数预警和监测区域整体价格指数预警。本发明可以实时动态监控区域内每一个项目、每一个面积段以及整体的价格指数，从而对异常项目进行预警。

摘要： 本发明公开了一种利用机器学习回归模型计算住宅价格影响因素的方法，包括以下步骤：步骤1：获取数据，并对数据进行分类和标记，建立数据之间的关联，形成特征数据集；步骤2：根据特征数据集，对影响房屋价格的特征变量进行量化；步骤3：构建基于行政区划的机器学习特征数据集；步骤4：建立机器学习模型，并输入训练数据训练该模型；步骤5：利用回归模型计算房屋价格影响因素及其影响因子权重。本发明通过利用机器学习对特征进行回归计算，得到住宅价格影响因素的特征权重模型，能够更好地对住宅价格进行预测和分析。

摘要： 一种基于空间特征和XGBoost‑神经网络融合模型的住宅价格预测方法，包括：根据训练集的住宅样本之间的空间物理距离，计算住宅价格的局部莫兰指数，表示住宅价格之间的空间相关性；利用k‑means聚类算法，根据住宅的属性特征将训练集的住宅样本分成多个类，并得到住宅的空间聚类标签值；根据住宅的属性特征、局部莫兰指数和空间聚类标签值，用神经网络模型对测试集的住宅的价格进行预测，并将预测值作为输入特征加入到训练集中，用XGBoost对神经网络模型进行训练，获得融合预测模型，以利用所述融合预测模型进行住宅价格预测。本发明在住宅价格的预测模型属性中加入了空间相关性和空间聚类标签，并融合神经网络和XGBoost算法建立新的预测模型，能够提高预测准确度。

摘要： 本发明涉及一种新建住宅价格指数计算方法、终端设备及存储介质，该方法中包括：S1：根据采集的历史住宅基础数据构建基础数据匹配数据库；S2：采集新建住宅备案信息，通过将采集的新建住宅备案信息与基础数据匹配数据库中的内容进行匹配，提取新建住宅备案信息中的特征数据；S3：根据提取的数据进行分类统计；S4：根据分类统计的数据计算每个面积段下每一个项目的价格指数、权重和指数贡献；S5：根据每个项目的指数贡献，计算每个面积段的价格指数；S6：根据每个面积段的价格指数，计算全市新建住宅的价格指数。本发明计算的价格指数完全基于真实成交价格，得到的价格指数可以真实反应市场情况。

摘要： 本发明涉及一种住宅价格指数预警方法、终端设备及存储介质，该方法中包括：S1：计算监测区域内各项目的价格指数和指数贡献、各面积段的价格指数和指数贡献和监测区域整体的价格指数；S2：根据步骤S1的计算结果、第一控制指标和第二控制指标以预警方式中的一种或多种进行预警，所述预警方式包括：正常项目预警、异常项目预警、监测区域面积段价格指数预警和监测区域整体价格指数预警。本发明可以实时动态监控区域内每一个项目、每一个面积段以及整体的价格指数，从而对异常项目进行预警。

摘要： 本发明涉及一种普通商品住宅价格指数计算方法、终端设备及存储介质，该方法中包括：S1：将发布商品住宅销售价格指数时的三个面积段进行进一步细分，采集细分后的多个面积段的本期和上期的成交数据；S2：计算本期和上期对应统计点的成交均价；S3：计算每个面积段的每个统计点的本期较上期的面积段价格指数；S4：对每个面积段的所有统计点计算得到的面积段价格指数进行筛选，得到每个面积段的多个优选价格指数；S5：计算每个面积段的最优价格指数；S6：计算普通商品住宅价格指数。本发明仅需要提供当期和历史时期多个面积段商品住宅的成交数据即可计算，无需提供其他房屋特征数据，简单、准确，适用于商品住宅价格指数的计算。