房价的影响因素分析及预测模型
——基于北京市相关数据的实证研究
摘要
房地产既是我国国民经济的支柱产业，也是关系重大的民生问题。本文以北京市经济适用房销售价格、北京市生产总值等相关数据为例，分析房价的主要影响因素，建立房价与其影响因素的关系模型对北京市房价进行准确预测，并根据得出的预测结果对房地产发展提出合理性意见：
问题一，建立影响房价的指标体系，利用软件将各指标数据进行折线图描述，将变化偶然性较大的货币供应量删除，建立主成分分析模型提取主成分，将各指标对各主成分的贡献率加权得到每个指标的总贡献率，比较得出影响北京市房价的六项主要指标依次为：X4居民家庭人均收入，X10房地产开发投资额,X2北京市生产总值，X1经济适用房销售价格，X6人均住宅建筑面积，X5新增保障性住房面积。
问题二，建立逐步回归模型，根据软件的运行结果显示，被剔除的前六个变量与问题一得出的六项主要指标一致，证明结论正确。建立多元回归分析模型，由软件实现得到北京市房价与其主要影响因素的关系模型为：
Y=4846.453+0.843X1+1.719X2+0.028X4?4.652X5?278.822X6?3.564X10。
问题三，建立曲线估计模型，通过软件拟合得到各指标变量随时间拟合的曲线方程（见表3·1），将预测房价与实际值进行比较，其平均误差仅为%，说明预测效果良好。利用软件运行得到各指标及房价在2000至2015年的房价（见表3·6）稳中有升。
问题四，根据所得预测结果、北京房地产市场结构、政府相关政策，结合经济学知识，对北京市房地产发展提出合理建议。
最后，对所建模型进行了优缺点评价，在模型推广种介绍了这几个模型的广泛应用。关键词：房价预测、影响因素、主成分、线性回归、曲线拟合
一、问题重述
1.1问题的背景及条件
俗话说；“安居才能乐业！”在我国的传统观念中房子就家，不管住别墅还是住瓦房，每一个家庭都必须有自己的住房，因此住房问题本生就是关系国计民生的大问题。
同时，随着改革开放以来我国经济的高速发展，人民生活质量得到了极大提高，对住房质量、住房环境、小区配套服务等的要求也随之不断提高。近十年来我国一些城镇的商品房价格上涨过快，过高的房价使城镇却中低收入者无力购买住房,为了社会持续稳定的发展,政府一直出台各种文件，从宏观层面对房地产市场进行调控。但由于各部门配合不协调，加上恶意炒房的炒家操作，房地产的价格在过去的几年时间里快速地上涨，房价成了各种社会矛盾的焦点。
近几年来，保障房建设正在加速推进,中共中央政治局常委、国务院副总理李克强在全国保障性安居工程工作会上强调，要认真贯彻落实党中央、国务院的决策部署，大规模实施保障性安居工程，加大投入，完善机制，公平分配，保质保量完成今年开工建设1000万套的任务，努力改善群众住房条件。
问题的提出
在上述背景条件以及题目给出的提示下，第一步我们需要对物价水平、国内生产总值、国民收入水平、金融政策、税收政策、土地、城市化率、各类保障性住房的投入使用等房地产价格的影响因素进行实证研究，找到影响房价的主要指标。
在第一步的基础上，第二步利用所学的数学基础知识，建立房地产价格与包括城镇住房保障规模在内的主要因素或指标之间联系的数学模型。
利用第二步所建立的关于房地产价格的数学模型，根据有关政策和规划对未来几年我国或某一地区在不同的保障房建设力度下就房地产价格趋势进行仿真或预测，并根据模型的需要对未来的情况作适当的假设。
最后，根据上述建立的数学模型和仿真结果，向相关单位、人士等提出房地产价格相关问题的咨询建议。
二、问题分析
问题的重要性分析
在上文已经提到住房是关系国计民生的大问题，虽然近几年来房地产业对我国各项经济指标的增长做出了巨大贡献，但高速上涨的房价使众多中低收入阶层的住房问题陷入窘境，贫富差距的矛盾日益突出，房价也成为了各种社会问题的焦点，已经威胁我国社会的持续性发展。
近段时间以来，从中央到地方的各级人民政府都相继出台了各种法律法规文件对房地产市场进行调控，公租房、廉租房和经济适用房等各类保障性住房也正在加大力度建设之中。利用科学的方法分析得出房价的主要影响因素，建立预测模型预测近期的房价不仅有利于普通百姓更直观地根据市场、政策环境的变化分析房地产的变化，更重要的
是，这将有利于政府部门合理地对房地产市场进行调控，使房价更合理、房地产市场的发展更稳健，从而解决民生问题，使老百姓安居乐业。
目前有关方面对本问题的研究
房地产相关行业以及政府的研究机构从未停止过对房价及相关问题的研究，出现了众多的研究方法。在房价的影响因素分析方面，彭聪【1】、赵丽丽【2】、李晨【3】分别通过回归分析、灰色关联分析、因子分析等方法，选取影响房地产价格的主要指标，说明住宅实际建造成本和实际生产总值对住宅价格有着显着的影响，而人口数和所有者实际资本成本的影响作用则不明显,并提出相应的改善措施和建议。乔志敏【4】用实证分析表明生产成本的波动对房地产价格的波动有较强作用。
在确立房地产价格与各主要影响因素之间的联系方面，严焰【5】利用岭回归方法本文采用岭回归方法，以香港市场为样本，构建房价模型。曾俊杰【6】基于回归分析和灰色关联分析做了多目标规划的房地产定价模型。曹瑞【7】利用多项式回归模型讨论了影响房价的主要因素并建立对房价的分析模型。
总体来讲，国内学者对我国房价的研究主要从两个方面进行，一是从宏观经济方面的条件及微观经济方面的市场供求原理，来观察可能影响房价涨跌的因素；二是采用特征价格法，即针对组成房地产的各种特征属性，通过微观经济中的消费者效用理论，来分析特征属性的隐含价格对该商品价格的影响。
问题的思路分析
本题主要是通过确定房价的主要影响因素，找到房价与各主要影响因素的变化关系，建立房价的预测模型，成为房地产市场调控的重要依据。选取具有代表性的样本是科学研究的基本前提，北京是我国的首都，也是第一批保障性住房建设的试点城市，因此本文选取北京的相关数据进行实证研究。
问题一：在收集大量数据以及参考相关文献的基础上，确立房价主要影响因素的指标体系，并采用解决主要因素提取问题最广泛、最精确的方法之一的主成分分析方法，通过对载荷矩阵中各指标对所提取主成分的总贡献率的比较，即得到对房价产生影响的各主要指标。
问题二：在前人的研究成果中，我们可以发现建立房价与各主要指标之间的关系模型的主要方法是各种回归分析方法，本文采用思路最清晰明了、得到的关系式最精准的逐步回归分析法。通过逐步回归分析，即得到房价与各主要指标的联系，同时将结果与问题一中得到的各主要指标进行比较，可检验得到的主要指标是否一致，从而对提取出的各主要指标进行验证。最后利用多元线性回归方法对房价与各主要影响因素进行拟合，
得到房价与保障住房在内的各主要影响因素之间的关系模型。
问题三：根据房价与保障性住房在内的各主要影响因素之间的关系模型，以及北京市“十二五”规划中关于保障性住房建设的规划，我们可以利用数学软件对“十二五”期间（即2011—2015年）北京市的房价进行仿真预测。
问题四：根据已经得到的模型及仿真结果，加上对房地产相关情况的了解及当前的国内外宏观经济环境等，最后对相关部门、单位及个人提出合理性的建议。
三、模型假设
(1)假设经济性适用房的销售价格可以代表保障性住房的价格，从而进行本题的研究。
(2)假设在本文预测的2011至2015年期间，国家对房地产市场的宏观调控政策不发生重大改变，与现行的政策基本一致。
(3)假设在本文预测的2011至2015年期间，不发生重大自然灾害（如08年汶川地震）、金融危机（如08年美国次贷危机引起的世界金融危机）、战争等不可抗拒的、影响房地产市场发展的外力因素。
(4)房地产价格受众多因素的影响，受比赛时间所限，假设只考虑本文所研究的11个因素，以外的其他因素对房产价格的影响可暂时忽略。
(5)假设本文数据挖掘及处理研究过程中只出现有系统误差，无随机误差。
（6）假设本文所研究的各项因素的误差是不相关的。
5·1问题一：确定影响房地产价格的主要因素
5·主成分分析的基本原理
根据题意要求和相应的分析，对于问题一本文采用主成分分析方法。主成分分析法是利用降维的思想，通过研究指标体系的内在结构关系，把多指标转化成少数几个互相独立而且包含原有指标大部分信息（80％—85％以上）综合指标的多元统计方法，本文在提取主成分是要求提取达到90%以上的信息，其优点在于利用该方法所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，而且得到的综合指标（主成分）之间彼此独立，减少信息的交叉，从而使分析评价结果具有客观性和可确定性。
主成分分析是对于原先提出的所有变量，通过线性变换建立尽可能少的新变量，使得这些新变量是两两不相关的，且这些新变量在反映数据的信息方面尽可能保持原有变量或数据的信息和特点。数学上的处理就是将原来p个指标作线性组合，作为新的综合指标，如果将选取的第一个线性组合即第一个综合指标记为
Ｆ
1，自然希望Ｆ
1
尽可能多的反映原来指标的信息，这里的“信息”用Ｆ
1
的方差来
表达，即Var（Ｆ
1）越大，表示Ｆ
1
包含的信息越多。因此在所有的线性组合中所选取的
Ｆ
1
应该是方差最大的，故称为第一主成分。如果第一主成分不足以代表原来p个指标的
信息，再考虑选取即选第二个线性组合，为了有效反映原来信息，Ｆ
1
已有的信息就不需
要出现在Ｆ
1中，用数学语言表达就是要求Cov(Ｆ
1
，Ｆ
2
)=0，称Ｆ
2
为第二主成分，依
此类推可以构造出第三，四，···，第p个主成分。
通过查阅中华人民共和国国家统计局网站【8】、北京市统计信息网【9】，中国知网【10】，我们得到北京市的物价水平、生产总值、收入水平、金融政策、税收政策、土地、城市化率、保障性住房面积、销售价格等统计数据，并在查阅大量相关文献的情况下，得到如表1所示的影响房价的指标体系（见表1·1）。最后本文选取从2001年至2010年期间房价及各指标的统计数据进行实证分析（见附1）。
表1·1 影响房价的指标体系
1·1)
图1·1 各指标按时间序列拟合曲线图
如上图所示，在2000至2010年11年间，由于近几年我国通货膨胀严重，人民币贬值，导致X
11
货币供应量各年份的丈夫偏差太大，由于无法预料未来一段时间内人民币或发生货币通货膨胀还是通货紧缩以及其变化程度，故将这一因素删除，最后将影响房价的指标确定为表1·1中的前十个指标。
5·1·2主成分分析法的数学模型及实证分析结果
设有样本容量为n的p个变量，通过变换将原变量X X转换成主成分（用Ｆ表示），主成分是原变量的线性组合，且具有正交特征，即将X1，X2，···，X X综合成k（k≤p）
个变量（Ｆ
1，···，Ｆ
X
）,可用多项式表示：
{Ｆ
1
=X11X1+X21X2+···+X X1X X
Ｆ
2
=X12X1+X22X2+···+X X2X X
······
Ｆ
X =X1X X1+X2X X2+···+X XX X X
或F=AX
矩阵A满足A X X=X，即A为正交矩阵，其中E为单位阵，且X XX由下列原则决定：
（1）ＦX 与ＦX （i ≠j）不相关；
（2）Var (Ｆ1)>Var (Ｆ2)>···>Var（ＦX ）. 主成分分析法步骤如下：
（1）假定输入一个决策表T =(U ,C ∪D ,f )，其中U为论域，X ={X 1，X 2，···，X X }为条件属性集，D 为决策属性集。需输出条件属性的主成分Ｆ={Ｆ1，Ｆ2，···，ＦX }。
（2）按X ij
=X ij ?X j
?XXX （X j ）
?
对原始数据X ={X 1，X 2，···，X X }进行标准
化处理，使每个属性均值为0，方差为1。在软件运行下得到描述性统计分析（见表1·2）。
表1·2 各指标的描述性统计分析
（3）根据概率论中的相关系数公式：Cov (X X ，X X X X (X X ?
X (X X ))]计算原始数据集X ={X 1，X 2，···，X X }的相关系数矩阵R。在软件运行下得到X 的相关系数矩阵R（见表1·3）。
表1·3 X 的相关系数矩阵R
（4）计算相关系数矩阵R的特征值X X 及其对应的单位特征向量X X ，i =1,2，···，k，并将特征值按由大到小的顺序排列，即X 1>X 2>···>X X 。
（5）计算主成分的方差贡献率和累计方差贡献率。第k个主成分方差为αX =
X X
∑X X
X
X =1?，主成分Ｆ1，···，ＦX 的累计方差贡献率为 （∑X X ）X X =1（（∑X X ）X X =1）
? 其中α1的值最大，则说明Ｆ1综合X 1，X 2，···，X X 信息的能力最强，主成分k值
得选取一般为使得累计方差贡献率≥80%（或特征值大于1）的前k个特征值。但本文中为了使信息尽量不流失，选取累计方差贡献率达到≥99%的前k个特征值（见图1·1）。
图1·1 主成分碎石图
（6）利用前k个特征值对应的单位向量e 1=(e 11，e 12，···，e 1p )′
，e 2=(e 21，e 22，···，e 2p )′
,···，e X =(e k1，e k2，···，e kp )′
，按F =AX计算原始数据的主成分Ｆ1，···，ＦX 。
在软件运行下，我们最终得到特征值与方差贡献率（见表1·4），以及旋转前的因子载荷矩阵(见表1·5）
表1·4 特征值与方差贡献表
≥99%，从而保证影响房价的有效信息不流失，为更好地解决后面的问题做准备。
表1·5 旋转前的因子载荷矩阵
文根据各指标分别对各
主成分的贡献率加权（权
指个主成分所表示的信
息量）平均之后我们可以
得到各指标对房价影响
的总贡献率（见表1·6），
对北京市房价影响最主
要的六个因素依次是：X4居民家庭人均收入，X10房地产开发投资额,X2北京市生产总
值，X1经济适用房销售价格，X6人均住宅建筑面积，X5新增保障性住房面积。
5·2 问题二：建立房地产价格与包括城镇住房保障规模在内的主要因素之间联系的
数学模型及实证分析结果
5·2·1利用逐步回归模型，验证5·1中所提取主成分的正确性。
(一)多元线性回归数学模型
变量与变量之间的关系分为确定性关系和非确定性关系，函数表达确定性关系。研
究变量间的非确定性关系，构造变量间经验公式的数理统计方法称为回归分析。线性回
归假设因变量与自变量之间为线性关系，用一定的线性回归模型来拟合因变量和自变量
的数据，并通过确定模型参数来得到回归方程，根据自变量的多少，线性回归可有不同
的划分，当自变量只有一个时，称为一元回归，当自变量有多个时，称为多元线性回归。
多元线性回归模型是指含有多个解释变量的线性回归模型，用于解释被解释变量与
其他多个变量之间的线性关系，其数学模型为：
y=β0+β1X1+β2X2+···+βX X X+ε（2.1）式（）表示一个p元线性回归模型，其中有p个解释变量。表明被解释变量y的变化可由两部分组成：第一，由p个解释变量x的变化引起的y的线性变化部分，即β0+β1X1+β2X2+···+βX X X；第二，由其他随机因素引起的y的变化部分，即ε~N(0，σ2)部分，叫随机误差。β0，β1，β2，···，βX都是模型中的未知参数，分别为回归常数和偏回归系数。
对y和x1 ,x2,?x p?1，x p,分别进行n次独立观测，取得n组数据样本y X，
x X1 ,x X2,?x i(p?1)（i=1,2,3，···，n）则有：
{
y
1
=β0+β1X11+β2X12+···+βX X1(p?1)+ε1
y
2
=β0+β1X21+β2X22+···+βX X2(p?1)+ε2
?
y
X
=β0+β1X+β2X X2+···+βX X X(p?1)+εX
（2·2）
其中ε1,ε2,?εn相互独立, 且服从N(0，σ2)分布。令：
X=[X X
X X
?
X X
]，X=[
β0
β1
?
βp?1
]
X=[ε1
ε2
?
εX
],X=[
X X11X12…X1(p?1)
X X21X22…X2(p?1)
?????
X X X1X X2…X X(p?1)
]
则式(2·2)用矩阵形式表示为：
X=XX+X其中X~X(X，X X X X) （2·3）
模型参β的最小二乘法估计与误差方差σ2的估计β的最小二乘法估计即选择β使误差项的平方和为最小值这时β的值β?作为β的点估计。
S(β)=εTε=(Y?Xβ)T(Y?Xβ) (2·4)为了求β, 由(4)式将S(β)对β求导,并令其为零, 得：
XX(X) XX =
X(X?XX)X(X?XX)
XX
=
X(X X X?X X X X X?X X XX+X X X X XX)
X
=X (2·5)
由(4·5)式可解出X?：
X?=((X X X)?X(X X X)) (2·6)
对残差向量：
X?=X?X?=X?XX?=[X?X(X X X)?X X X]（2·7）
对残差平方和：
X?X X?=X?X[X?X(X X X)?X X X]X=X X X?X?X X X X（2·8）
又因为，
X (X )=XX =β0+β1X 1+β2X 2+···+βX X X +ε
因此，
X (X ?X
X ?)=X X (X ?X )?X X
=X ?X X ?
? （2·9）
多元线性回归数学模型建立后，是否与实际数据有较好的拟合度，其模型线性关系的显着性如何等，还需通过数理统计进行检验。常用的统计检验有R 检验和F 检验。
（1） R 检验
R =√X ?
∑（X X ?X X ?）X
X X =X ∑（X X
?X X ?????）
X X X =X （2·
10）
R 是复相关系数,用于测定回归模型的拟合优度,R 越大,说明y 与x 1 ,x 2,?x p ?1，x p 的线性关系越显着,为y i 的平均值,R 取值范围为0<│ R │≤ 1。 （2）F 检验
F =
X X
?X (X ?m ?1)
?~F (m ,n ?m ?1) (2·11)
式中Q =∑（X X ?X X ?）X
X
X =X
,X =∑（X X ?X X ?????
）X
X
X =X
m为自变量个数,n 为数据个数。F 服从F（m ,n ?m ?1）分布, 取显着性水平为α, 如果 F >Fa (m ,n ?m ?1),表明回归模型显着，可从用于预测。反之，回归模型不能用于预测。
(二) 利用回归分析模型逐步剔除对房价影响较大的因素验证所提取主要指标 根据上文得到的房价影响因素指标体系（表1·1）的前十项指标，因此这里要分析的是一个变量“Y商品房销售价格”与主要贡献率最大的前六个变量之间的线性关系，显然是一个多元线性回归的问题。以（一）中模型原理为基础，通过软件运行得到“模型概述表”（见附2·1），由该表可知，第一问题中所列影响房地产价格的主要因素北京市生产总值（亿元），人均住宅建筑面积（平方米），房地产开发投资额(亿元)，居民家庭人均收入（元），经济适用房销售价格（元），保障性住房面积（万平方米）均符合，从而可采用以上六个指标对房价的总体变化作出评价。从而证明问题一中得出的结论正
确。
根据多元线性回归模型得到房价与各影响因素的关系模型
沿用上文中多元线性回归数学模型，通过软件运行得到房价与各影响因素的关系(见表2·1及表2·2)，由表2·1中R2值为可看出拟合效果和精度都是比较高的，显着性非常
明显，能够很好的反映北京房价与其主要因素之间的线性关系。通过表2·2中回归系数得出拟合线性关系为：
Y=4846.453+0.843X1+1.719X2+0.028X4?4.652X5?278.822X6?3.564X10
表2·1 模型概述表
现题目要求对房地产价格趋势进行仿真并预测，则需要先对X1，X2，X4，
X5，X6，X10建立预测模型，然后再Y进行仿真预测。
(一)利用曲线估计模型对各项指标拟合，分别建立预测模型
（1）曲线估计模型原理
变量之间的关系可以是线性的，也可以是非线性的。曲线估计则是研究两变量间非线性关系的一种方法，选定一种方程表达的曲线，使得实际数据与理论数据之间的差异尽可能地小。如果曲线选择得好，那么可以解释因变量与自变量的内在关系，并对因变量的预测有一定的意义。
在曲线估计中，可以用数学方程来表示的各种曲线的数目几乎是没有限量的。在可能的方程之间，以吻合度而论，也许存在着许多吻合得同样好的曲线方程。本文使用软件中所提供的10中常见形式的本质线性模型，如下表（见表3·1）所示：
表3·1 常见的本质线性模型
本文通过软件自动完成表3·1中的十个模型的参数估计，并输出回归方程显着性检验的F和概率p值、判定系数R2等统计量；最后，以判定系数为主要依据选择其中的最后模型，并进行那个预测分析。运行结果如下：
经济适用房销售价格随时间变化拟合结果（见表3·2和图3·1）
表3·2 经济适用房销售价格拟合
根据以上图表显示，三次曲线模型拟合得到的F检验值为，经校正的R2检验值为，是上述十个模型中最显着的曲线关系，故可以得到经济适用房销售价格与随时间变化曲线为：
X1=1879.015+625.965t?115.93t2+7.09t3
同理，本文得到X2北京市生产总值（运行结果图表见附3·1），X4居民家庭人均收入（运行结果图表见附3·2），X5新增保障性住房面积（运行结果图表见附3·3），X6人均住宅建筑面积（运行结果图表见附3·4），X10房地产开发投资额（运行结果图表见附3·5）五个主要指标随时间变化曲线拟合结果，以及北京市商品房销售价（运行结果图表见附3·6），并且其方差分析的显着性水平均为0（见表3·3）。因此得到随时间变化拟合结果（见表3·4）。
10
它5项主要指标与时间拟合均符合三次曲线。除X1经济适用房销售价格与X5新增保障性住房面积的校正R2值较低以外，其它各项拟合的校正R2值都达到了以上，说明其显着性非常明显。
根据查阅相关文献资料，我们分析认为X1与X5的校正R2值较低主要因为在前几年北京乃至全国对房地产市场的宏观调控较少，而在后期由于房价飞速上涨引起多种社会矛盾，政府采取经济适用房、廉租房、公租房、限价商品房等保障性住房措施，以此抑制房价上涨，导致了该两项指标拟合的显着性程度不够，因此该结果可用的，并非有误。
在前文中我们已经得到房产价格与六项主要影响因素的线性关系，即：
Y=4846.453+0.843X1+1.719X2+0.028X4?4.652X5?278.822X6?3.564X10通过软件运行得到表3·5，该表是拟合结果与实际值之间的对比，可得到平均误差
为%，说明可以使用该模型对房价进行预测。
表3·5 拟合结果与实际值比较参数
根据表3·4中房价及各指标拟合预测结果，利用软件编写程序（源程序见附3·7），仿真得到各主要指标及房价Y在2000至2015年的仿真及预测数据（运行结果见附3·8）
表3·6 2000至2015各指标的仿真及预测数据表
如表22008元、24142元、26128元，总体来讲北京房价在未来五年内稳中有升，总体涨幅约71%，年均涨幅趋于10%～15%之间,并且随着时间的推移，由于人民住房普遍得到保障使房屋需求量减小等原因影响下，房价的涨幅会越来越小，因房价过高、涨幅过快而引起的各种社会问题也都会迎刃而解。
5·4 对房地产价格的合理建议
本文首先通过主成分分析法研究了房地产价格的主要影响因素为“X4居民家庭人均收入，X10房地产开发投资额,X2北京市生产总值，X1经济适用房销售价格，X6人均住宅建筑面积，X5新增保障性住房面积”，然后利用逐步回归法对其结果进行验证，再由多元线性回归法建立房价与六个主要影响因素间的关系模型，最后预测出未来五年内北京市的房地产价格及变动趋势。
经过上述研究，并对目前北京以及全国房地产市场环境进行分析总结，本文拟出以下几点关于促进房地产价格健康持续发展的建议：
（一）采取有效措施，引导广大人民合理应对通货膨胀
本文在对房地产价格进行主要影响因素前，对所建立的指标体系进行了分析，并删除了偶然性过大的货币供应量这一指标，没有对其与房价进行研究，但通货膨胀使物价持续上涨，货币不断的贬值，这对整个社会的经济、政治等方面有着巨大的危害性。由于货币持续贬值、货币进入负利率时代，大资本或部分中等收入者为了财富保值，就购买地产或房产以求保值，就使得房价上涨，由于预期房价还会进一步上涨，这就吸引了更多资本进入房地产，使得地价和房价不断地持续攀升。尽管国家出台了抑制房价的许多政策，但是大家都看到：这并没有真正地抑制房价的持续上涨
因此，建议国家及北京市相关政府部门应该采取有效措施，引导广大人民合理应对通货膨胀，不应盲目跟风炒房，加剧我国的通货膨胀。
（二）以保持保障性住房的稳定为重点，做好房地产价格调控和住房价格新体系的建立工作
由上文的研究结果显示，影响房价的六项主要指标中，X1经济适用房销售价格与X5新增保障性住房面积都属于政策性保障住房的范畴，两项相加总贡献率达到0.61，可见近几年来保障性住房在全国的建设并投入使用，已经对房地产价格的调控起到了一定的作
用。上文的预测结果显示，未来五年内，北京市的房价依然会保持小幅度的增长，这里不排除会有通货膨胀的可能。
因此，建议国家及北京市相关政府部门以保持保障性住房的稳定为重点，做好房地产价格调控和住房价格新体系的建立工作，一定要使普通老百姓有房可住，同时使房地产市场健康有序地发展。只有这样才可以解决众多由房地产引发出来的社会问题。
（三）建议国家统一对房地产征收环境破坏补偿费
在研究中，我们发现房地产开发投资额近11年来以X10=504.953t0.642呈指数型增长，众多高楼大厦崛起的同时也有大量的不合理的城市建设，对生态环境以及气候造成了巨大地破坏。自然灾害：泥石流、地陷、地质坍塌、持续的暴雨、洪流、长时间的天旱等会更加频发；地下水资源不断地减少、部分河流会断流。
因此，建议国家统一对房地产征收环境破坏补偿费，建立保护生态的专项基金，同时也有助于督促房地产商、施工单位等保护环境。
（四）房产没有贮藏职能，买房适可而止。
国家大力发展房地产，现在的舆论是结婚必需有房子。大家都在抢这个东西，媒体制作这个房子稀缺论。经济学的角度讲：当需求被激发出来的时候，一段时间内，房子会疯狂上涨，加上中间投机倒把人的炒作，房子更是非理性上涨。更多的人，资金、热钱涌入这个行业，这样就有一个问题，大家都在建房子。当房地产市场供大于求时，房子就会像通货膨胀时的货币一样贬值。
因此，建议有N套房子作为不动产的人适可而止，炒高房价的同时房产市场的泡沫也会遮住视线，房产不是黄金，不是食物货币，它没有贮藏功能，市场供求关系一旦发生变化，房产的价值就会无形地缩水。
六、模型的评价与推广
模型评价
本文由多个数学模型组合而成其优点在于：主成分分析模型能有效地提取到影响房价的六项主要因素；逐步回归模型有力验证了六项主要因素的影响地位；曲线估计模型准确拟合了房价及六项主要指标随时间的曲线方程；多元线性回归模型合理预测了房价及其变化趋势。上文中以北京市的相关数据为例对所建立的模型进行实证研究表明，预测结果及涨幅趋势都与实际基本相符合，可以用以预测未来的房价。
缺点在于：受比赛时间的限制，本文建立影响房价的指标体系最终只考虑10个指标，忽略了税收政策、货币供应量等难以量化或出现过偶然不规律的影响因素，从而使房价
东岳论丛 { ．．加 ，． 论当前影响房价地因素及变动趋势 李立李永辉 (青岛科技大学经济与管理学院，山东青岛) [关键词】房价构成；房地产市场；房价变化趋势 [摘要】房地产价格是由多种要素决定地，除土地费用、建安费用等项费用外，房地产价格与国家地经济 政策，居民地收入水平和经济发展地景气度等因素地变化也有重要地关联性.随着住房买方市场地逐步形 成，房价地走势在未来几年中将呈现若干与从前不同地特．最. 【中图分类号】· [文献标识码】[文章编号]—{}——文档来自于网络搜索 房价作为房地产商利润地直接来源和商品房购买者 地直接付出，牵动着房地产市场上买卖双方地神经，尤其 是在我国住房制度实施商品化改革之后，它更加成为～个 社会广泛关注地问题.本文由房价基本构成要素地剖析 人手，拟对其宏观和微观两个不同层面上地影响因素，以 及未来一个时期地变动方向谈一点自己地看法. 一、房价地基本构成要素 房地产价格是由多种要素决定地.就其一般属性来 说，它通常包括六个重要构成要素. (一)土地费用 土地费用地高低对房价有直接影响.据北京、上海、 武汉、南京、长春、大连等城市测算，土地费用约占总房价 地％.其中，普通住宅价格中土地费用地比重一般要 高于公寓、商用住宅等.由于很长一个时期.我国地土地 出让制度不够透明(％以上地属协议出让)，土地资源分 配中人为性因素较大，导致商品房价格长期处于一种与市 场规则背离地不规则状态之中.目前，我国土地出让制度 改革已开始着手.在北京、青岛等市，土地已通过透明地 市场招标形式成功出让，这一举措对规范房地产价格起到 了积极地保障作用. (二)建安费 建安费(又称建安工程费)是建筑过程中地房屋建设 费用，大部分与房屋质量直接挂钩，约占房屋总价地 ％.建安费通常是刚性地，不可能有太多地节省，否则 房屋质量便会打折扣.但随着新型建材行业地发展，各种 新材料地应用使房屋建设费用地构成发生了重大变化. 伴随房屋质量地提高，建安费在房屋总价格中所占地比重 正在悄悄地发生变化，大量高品质建筑材料地使用会对房 价地构成产生重要地影响.
影响房地产市场的因素有： (1)城市产业结构影响市场。 随着城市社会经济的发展及产业结构比重的变化，各类房地产的市场需求也会发生变化。例如某城市的第二产业发展很快，这时厂房的需求量就会增大。当该城市产业结构比重向第三产业倾斜时，办公用房和商业用房的需求量也会增大，而这时厂房的需求量就会减少。对于这类房产的投资，一方面要有预见性，另一方面要把握好时机。 (2)政策变化影响市场需求。 房地产政策的变化，常常会给房地产经营带来商机。例如1998年，国家公布取消福利分房，实施货币分房的政策后，商品住宅市场需求量猛升，同时也刺激了市场价格的上涨。 (3)城市经济发展与旧城改造带来的需求变化。 城市建设的发展不断给房地产投资带来商机，房地产经纪人可利用对这些变化的预见，为房地产投资者提供旧房投资参考性建议，低价买旧房，以待获取高价拆迁赔偿。这方面的投资虽有商机，但也有风险，应当注意两个问题：一是投资的旧房最好是商品房，这样较容易获得正常的赔偿；二是如果投资旧房不是商品房，就要看当地政府的政策规定对旧房拆迁是否有利，如果赔偿过低会导致投资失败。 (4)经济发展进度与周期对市场需求的影响。 房地产经纪人在帮助投资者进行房地产买卖投资时，应当关注当地经济发展的进度与周期变化。一般来说，经济发展周期处于低谷是购进的好时机，当经济发展进入高潮时是卖出的好时机。经济发展快速增长，会刺激房价不断攀升，如果提前入市买进，房价高涨时卖出，投资就成功；但如果在房价处于高峰时期购人房地产，投资被套牢的可能性就很大。 (5)城市土地供应对市场需求变化的影响。 房地产买卖投资入市的时机与城市土地供应量的大小也有一定的关系。当土地供应量过大时，一手楼的市场供应量也相应过大。在这样的情况下，可供购买的一手楼新产品也多，选择余地大，二手楼的短期投资买卖也就相应难做。但有时一手楼市场也可能会因市场供过于求，而出现滞销，有的开发商会因银行逼债而急需资金回笼，降价抛售，投资者也可乘低吸呐。
基于因子分析模型的居民消费价格指数影响因素分 析 摘要：由于目前对居民消费价格变动原因的分析指标很多，且指标体系中各指标之间存在着多重共线性，从而影响了分析模型的稳定性，使所得模型中出现了不符合经济学原理的现象。本文采用多元统计分析方法，以2010年居民消费物价水平为例，建立了关于居民消费价格分类指数变动的因子分析模型，研究发现影响居民消费价格指数的主要因素为食品、衣着和家用设备等生活必需品的价格水平，其次为健身等娱乐设施价格和房价水平。 关键词：消费价格指数；影响因素；因子分析 一、研究背景 随着社会主义市场经济体制的确立和逐步完善，我国经济总量和综合实力迅速上升，居民的生活水平显着提高，经济和社会都有了较大的发展。相对于过去而言，居民食品方面的消费支出比重在逐渐下降，而在文化娱乐等方面的消费支出比重越来越大。国家发改委在全国物价局长会议上指出，明年要围绕促进经济平稳较快发展这一主线，积极稳妥地推进价格改革，切实改进价格监管，保持价格总水平基本稳定。同时由于影响价格变动的因素日益复杂，价格异常波动的可能性增加。分析影响居民消费价格指数的主要影响因素，改进价格监管，保持价格总水平基本稳定有着重要意义；同时也为产业政策的制定和宏观经济的调控提供了参考。 居民消费价格指数（CPI）是反映与居民生活有关的产品及劳务价格统计出来的物价变动指标，通常作为观察通货膨胀水平的重要指标，在一定程度上也反映出我国居民消费结构的变化。本文通过对2010年全国居民消费价格指数的变化进行因子分析，从而确定出影响全国居民消费物价水平和消费结构变化的主导因素。 二、因子分析模型的建立 因子分析最初是由英国心理学家C.Spearman提出的，是多元统计分析的一个重要分支，其主要目的是浓缩数据。通过对诸多变量的相关性研究，来表示原来变量的主要信息。假设有n个样本，对于多指标问题X=（X1，X2，...Xk），形成的背景原因是多种多样的，其中共同原因称为公共因子，假设用Fj表示，它们之间是两两正交的；每一个分量Xi又有其特定的原因，称为特殊因子，假设用ei表示，其两两之间互不相关，且只对相应的Xi起作用。同时，F与e相互独立。于是因子分析的数学模型可表示为： Fi叫做公共因子(也称主因子)，它们是在各个原观测变量的表达式中都共同出现的因子，是相互独立的不可观测的理论变量。
从微观经济学角度分析影响房价的因素摘要：本学期，学习了经济学的一些相关知识，主要是微观经济学方面的内容，通过学习对经济学有了一个初步的了解。房价关系着和影响着每个家庭，房价是个备受关注的问题。所以本次课程论文就谈一谈从微观经济学角度分析影响房价的因素。 关键词:供需、消费者博弈机制 一、供需影响着房价 1. 住房供给影响房价。这里主要从供给结构来谈。我国居民人均 居住面积与其它国家尤其是发达国家的人均居住面积相比，仍存在很大的差距，绝对住房供给水平并不高，供给方面存在结构不合理的问题，存在空置。这里引入空置这一概念。空置一词来源于西方，指建筑物的整体或部分未得到使用，处于等待出租状态或者出售状态。由此可见，空置一方面表明房屋未被使用，另一方面还意味着所有权人准备将房屋出租或者出售，只有两方面都满足的房屋才是空置房屋。否则，不能称其为空置。空置也是一种供给，且：供给=需求+空置率。空置率是指某一时刻空置房屋面积占房屋总面积的比率。当市场交易以买卖为主且购买者就是房屋将来的实际使用者时，使用者注重的是房屋的服务功能，价格直接体现了使用者对房屋的支付意愿。从卖方角度看，面临的
主要问题是能否及时将房屋销售出去，因为销售时间越长，市场价格变化的可能性越大，价格风险不断增加；同时，空置期越长，管理的费用就越高。因此，在预计销售时间较长时，卖方为了减少风险就可能降低销售价格；相反，空置面积减少，购买者增加时，卖方就有可能提高价格。 2. 土地的供给影响房价。土地的供给总量影响着房地产产品供应 总量。土地供给就是可供利用的土地的数量，分为自然供给和经济供给。所谓土地的经济供给，就是指在自然供给的基础上，经过开发，可为人类直接用于生产，生活等各种用途的土地的数量。 土地供给是房地产市场基础，土地供给假如是被储备、闲置或者是被蓄意囤积，那么土地供给量只能部分转化为房地产市场的供给。所以这里所说的土地供给总量为有效供给总量。土地供给总量对房地产市场有着两方面的影响：一方面是影响房地产产品的供给总量；另一方面是影响生产和预期。但影响力的时效不同，对房地产产品供给的影响，由于房地产开发周期的原因，要在1～2年之内才能显现出来，但对投资和消费的影响却是当期的。由于房、地的紧密关系，土地供给量与房地产增量有着密切关系，土地供给量是房地产增量的基础，他们之间的关系由容积率来反映。 设房地产增量为QR，土地供给量为QL，容积率为F，则有QR=F×QL。则当容积率不变时，土地供给量与房地产增量呈线性正相关关系。容积率越大，单位面积土地上的建筑容量，即建筑面积就越大。以今年一季度为例，1-3月，全国房地产开发企业完成土地
影响美国房价水平的因素分析： --分位数回归方法 孙瑞晨 摘要：本文利用分位数回归方法研究了房屋的各种因素对于其售价的影响，结果表明不同因素对于房屋售价的影响随着所考察的分位数不同而变化，得到不同因素对于房屋价格的影响更全面的描述。 关键词：房屋价格；不同因素；分位数回归 一、问题的提出 房价一直是最近十几年的热点问题，一般认为影响房屋价格的因素分为以下几个方面。第一，房屋的自身属性，主要包括房屋年龄、燃气状况、景观等。第二，房屋所处的地段等级是影响房屋价格的重要因素，另外还包括小区内部以及周边环境、管理和各种配套设施情况，交通条件等客观外部因素。三是市场大环境和消费者心理因素。主要包括经济状况、房地产市场行情及市场供求状况等。 可以看出，与房屋有关的各种因素对房价的影响是复杂的、为了更准确的描述房屋属性对于其售价的影响，受到国外一些研究的启发，我们利用分位数回归方法对房屋价格数据进行建模分析，并与通常采用的普通最小二乘线性回归模型进行了比较。定量分析的结果在一定程度上印证了经验的定性分析，并发现了房屋属性对售价影响的一些具体特征，每种因素对于价格的影响可随着所考察的分位数不同而变化。 二、文献综述 目前国内关于房价的研究分析比较多，但利用分位数回归的还比较少。王朝等[2013]通过建立基于Bootstrap估计的面板数据分位数回归模型，解释了随着房价的提高，恩格尔系数对房价的弹性变化最为明显，但是人均GDP增幅变化不明显，人均收入的提高对房价的改变微不足道，单靠提高工资难以解决消费者购房问题。 高风伟等[2016]从条件均值角度和分位数回归角度对房价的几种影响因素进行了回归分析，研究发现：人口密度是影响房价的最主要因素，且在不同分位点上影响程度各不相同：人均可支配收入对房价的影响在各分位点上影响相差不大。 林海波等[2016]对移民、房价和经济增长的相互关系进行实证检验，讨论移民教育程度和房价之间的关系，进行分位数面板分析，结论表明：房价上涨没有表现出对于大学生的阻碍作用，教育改进和创业努力可能让高学历移民更加适应
Emergence and Transfer of Wealth 财富涌现与流转, 2017, 7(3), 49-56 Published Online September 2017 in Hans. https://www.doczj.com/doc/a06220998.html,/journal/etw https://https://www.doczj.com/doc/a06220998.html,/10.12677/etw.2017.73008 An Empirical Analysis on the Factors Affecting the Housing Price in Beijing Yutian Jia, Yuping Lan International Business Department, Beijing Normal University Zhuhai Campus, Zhuhai Guangdong Received: Jul. 24th, 2017; accepted: Aug. 2nd, 2017; published: Aug. 9th, 2017 Abstract It is obviously that the housing price in Beijing is never falling. The housing price in Beijing that lots of people cannot afford is at the top ten from all over the world. The dates of the resident pop-ulation, GDP and housing completion area that are collected are used for analyzing the factors that influence the housing price in Beijing. EVIEWS is used to make a multivariable linear regression model that will analyze the factors, and provide some reasonable advice for government invest-ment and home buyer. Keywords Housing Price, Resident Population, Real GDP, Housing Completion Area 对影响北京市房价重要因素的实证分析 贾雨田，蓝裕平 北京师范大学珠海分校国际商学部，广东珠海 收稿日期：2017年7月24日；录用日期：2017年8月2日；发布日期：2017年8月9日 摘要 众所周知，北京的房价一直都是“高歌猛进”，居高不下，如今已入选在全球房价排行榜第十名，令很多购房者望而却步。为了分析当前影响北京房地产价格的主要因素，本文搜集了2000年至2015年间的年末常住人口、人均生产总值、住宅房屋竣工面积等相关数据，建立多元线性回归模型并运用EVIEWS 计量经济软件对此进行研究，为政府投资购房者提供合理化建议。
探寻影响房价因素与意义 南京大学金陵学院 12营销 引言 改革开放以来，经济发展，人民收入提高，生活水平的不断改善。与此同时，物价水平也随之不断提升，但是由此也带来许多问题，住房成为居民普遍的关注。本文以江苏省为例，粗略分析影响房价的内外部因素，以及可能遏制房价上涨的措施。 正文 下面是江苏省从1999年始至2011年的农村和城市居民收支水平图表。
由上图表可见，近十年来居民收入普遍增长，总体呈上升趋势,这种上升的趋势，使得江苏省全体居民的购买力空前的巨大。但是，对于“居民收入增加是房价上涨的首要原因。”这种观点，是无法不赞同的。 江苏省农村居民人均住房面积（单位平方米/人） 从近些年来看，至少到2011年为止，农村人均住房需求并没有疯狂增长，假设平均一户家庭有4口人，人均住房面积增长了15平方米，一户总需求为60平方米，需求并没有打到必要去新购置一所60平方米的住宅的阶段。并且，从上面江苏城乡人均收入，并结合江苏省储蓄存款年底总余额/常住人口有EXCEL所得结果。 江苏省年底总存款余额
江苏省常住人口 江苏省年底人均储蓄额 由上述表格得2011年江苏省人均储蓄余额仅为3万余元，虽然2013储蓄额必然会有大幅上涨，但中国的经济增长并没有全部均衡地转化为所有居民的收入，收入分配更多的是上向部分人群的集中。再从房价来看，这么低的人均储蓄额，意味着大部分中低收入居民并没有能力承担购房费用。此外，鉴于中国人热衷于储蓄的习惯和不乐于超前消费的心理并未彻底改变，总而言之，收入提高根本不会是引起房价疯狂上涨的首要原因。 江苏省近十年各类房屋平均销售价格
在狂热的房价下，有很多居民感叹买不起房，也有很多居民贷款也要购置房产。改革开放至今三十多年，一部分房子自然需要更新换代，而人均住宅需要并没有那么高。原先，房子还很便宜，而且到处都是售楼处，也不缺房子，但一眨眼房子卖得比什么都贵。很显然，居民并不是自发存在如此狂热的置房需求的，至少在买房热之前没有那么多人热衷于抢购房产，在当时可以说这种需求是隐性的。如此大量的购房需求是如何陡然间被激发的，这是个值得深思的问题。 当宏观经济保持高速增长时，房价会随经济的增长而自然增长。但从商标可见，2004年开始，江苏省房价突然暴涨。04年4月，国土资源部、国家监察部联合颁发《关于继续开展经营性土地使用权招标拍卖挂牌出让情况执法监察工作的通知》。该《通知》规定，2004年8月31日是协议出让经营性土地使用权的最后期限，之后所有土地不得再协议出让。同时规定，已经获得土地的开发商，如果尚未付足土地出让金的，必须在8月31日前补交齐全。补交后方能办理土地证或再行转让，否则国家收回土地。这就意味着土地供给的方式改变了，严重缩减了市场土地供给量。供给减少，地价上涨。在股市连续暴跌的情况下，投资渠道减少，投机商们把目光投向了房地产。在房地产商不顾社会责任的推波助澜下，以及其它各种外界因素的共同作用下，房价只涨不跌。 中央政府虽然早就开始对房地产和固定资产投资过热产生警惕，2003年开始出台土地、税收、信贷、市场规范等方面的系列措施对住房市场进行调整，2007年实施了更加密集的直接针对房价的组合调控，但由于多种经济变量之间的相互矛盾和制约，使得政策找不到合理的平衡点。以江苏省商品房销售所占江苏省GDP比例为例（见下面图表），政府会如果大力度调控，导致房地产市场大幅度下跌，则可能引起银行坏账和已经贷款购买住房的消费者的名义财富的缩水，或者给汇率带来更大的升值压力，所以政策力度一直都比较温和，导致房价一直在调控，从未被降下。
我国股市影响因素模型分析 摘要：2007年3月18日，央行继1993年以来第6次提高人民币利率，这次加息后，我国的股市不但没有下跌，反而一路上扬，似乎与理论相背。对此现象本文对股市的影响因素进行了分析，并在此基础上，做了影响股市的多因素模型。通过模型分析，本文认为要维持我国证券市场持续、稳定、健康地发展，一定要完善我国的外汇市场和资本市场，为证券市场提供一个良好的外部环境和内部环境。 关键词：市场流动性过剩;人民币升值;加息 我国资本市场有其特殊的运行机制，为使资本市场与国际接轨，我国已经采取了一系列改革措施。2005年开始的股权分置改革到目前为止已基本完成；同年7月，我国也已进行了人民币汇率制度改革，由以前的固定汇率制度到现在有管理的浮动汇率制度。再看我国股市的发展状况，从2006年以来，我国沉迷了多年的股市进入了一个大牛市，即使2007年3月18日的人民币利率的提高也没有影响到股市的上涨。以下笔者就想对我国的股市做一下研究分析。 从理论上来说，利率上升时，股票价格下降；利率下降时，股票价格上升。利率是影响股票价格的重要因素。福建师范大学经济学院夏春光在《我国股市波动的利率效应》一文中，从实证研究角度，收集了上海综合股票指数从1991年4月到2002年2月的波动情况。最后他得出的结论是：从利率调整的短期股市效应看，股市对升息的反应更为敏感，同时降息的股市效应有逐渐增强的趋势；不同时期的利率调整，对股市的中长期波动影响存在极大的差异；调息前股指的运行态势，深刻影响着利率效应的发挥。一般而言，升息属利空因素，会促使股指下跌；降息属利多因素，可使股指上升。而从1993年5月以来的第六次加息，我国的股市不但没有下跌，反而一路上扬，在随后的交易日更是连续上涨。出于多方面原因所采取的加息政策，它对股市的影响并不像我们想的那样简单，第六次加息甚至与理论结果相反。这并不能说明理论不正确，而是股票市场受到多方面因素的影响，本文把这些因素归为以下几类。 一、股市的影响因素 （一）市场流动性过剩 流动性过剩，简单地说，就是一个经济体中的货币（一般指广义货币，即现金加银行存款）存量超出了正常经济运行所需要的水平。从种种指标来看，中国的流动性过剩的确存在。从最常用的衡量流动性的指标M2（广义货币）与GDP
房地产销售的影响因素分析 随着我国房地产市场的发展，房地产业在国民经济中的作用日益突出，而房地产市场几经发展高峰后，也迎来新一轮的宏观调控。在新形势下，房地产销售的项目由过去的“皇帝女儿不愁嫁”的风光时代转入了一个消费更加理性，销售更需技巧的阶段。房地产企业需要在及时、准确、广泛地了解和掌握市场信息的基础上，科学地分析影响项目销售的各种因素，在此基础上制定和组织实施各项销售计划、策略，并对其进行严格控制，最终实现企业的销售目标。以下是对有关因素的简要分析。 一、影响房地产销售的宏观因素 影响房地产销售的宏观因素主要来自于项目营销直接环境的巨大社会力量，如自然、人口、经济、科技、政治法律及社会文化环境等。其中自然环境、区域经济与政治法律的作用力表现更为直接与明显。 1.自然环境因素 在房地产销售过程中，自然环境对房地产销售的影响非常重要，它可以给商品销售带来机会，也可以对商品销售造成威胁。这里，自然环境主要指房地产商品所处的地理位置以及能够影响该商品销售过程的自然资源、生态环境等因素。包括楼盘所在地段的自然条件、人文条件和各种配套设施条件等。自然条件是指房地产周围的空气和水源质量、清洁度、噪音污染程度及自然景观等；配套设施
条件是人们对土地投资的物化体现，包括交通运输、给排水、供电和邮电通讯设施，服务于居民的日常生活。 现代社会随着生活水平的不断提高，人们越来越讲求生活质量，对居住环境的关注也日益增强。据一份调查资料显示：消费者在置业消费过程中环境因素已成为消费者购房时的首要考虑条件，排在前几位的因素主要是：环境68%、总价格62.1%、户型41.7%、物业管理37.9%。。显然，消费者对环境关注程度明显高于对其他因素的关注。 2.区域经济因素 区域经济因素包括社会经济繁荣程度、房地产市场的完善度和活跃度、供求关系、金融市场、货币价值、物价、工资及就业率、科学技术等因素。市场不仅是由消费者构成的，还需要具有相当的购买力才能开形成一个完整的市场。随着中国经济的高增长，人民实际收不断增加，但市场经济的发展又使各阶层人员收差距拉大，导致不同收阶层的不同购买力与不同购房倾向。区域经济发展水平的高低不仅直接影响居民家庭收入的高低，左右着房地产业的发展态势，还制约着整个房地产经济的发展和房地产价格水平，对房地产业的发展及楼盘的销售起到催化剂的作用。例如，我国东部地区房地产价格升幅明显高于西部地区，这是因为我国东部地区经济相对发达，经济因素刺激了人们置房消费的欲望，从而带动了楼盘热销。
因子分析的基本概念和步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量，以期望能对问题有比较全面、完整的把握和认识。例如，对高等学校科研状况的评价研究，可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标；再例如，学生综合评价研究中，可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力，虽然它们能够较为全面精确地描述事物，但在实际数据建模时，这些变量未必能真正发挥预期的作用，“投入”和“产出”并非呈合理的正比，反而会给统计分析带来很多问题，可以表现在： 计算量的问题 由于收集的变量较多，如果这些变量都参与数据建模，无疑会增加分析过程中的计算工作量。虽然，现在的计算技术已得到了迅猛发展，但高维变量和海量数据仍是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如，多元线性回归分析中，如果众多解释变量之间存在较强的相关性，即存在高度的多重共线性，那么会给回归方程的参数估计带来许多麻烦，致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson和Charles Spearmen等人关于智力测验的统计分析。目前，因子分析已成功应用于心理学、医学、气象、地址、经济学等领域，并因此促进了理论的不断丰富和完善。 因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，名为因子。通常，因子有以下几个特点： ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱，因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常，因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解
内容摘要：有关消费者行为的研究正越来越受到学者的重视。本文试图通过对影响消费者行为因素的有关研究成果的分析，探明影响消费者行为的因素。从而对消费者行为的一般和本土化研究产生裨益。本文认为，消费者行为影响因素的研究正从单独研究消费者的理性行为，转向研究消费者的感性行为和消费者与环境的互动行为。 关键词：消费者行为，影响因素，模型，解构与前瞻 消费者行为影响因素的理论模型分析 (一)Del Hawkins理论模型 Del Hawkins理论模型强调了消费者行为是一个在一定情景下的决策过程：“认识问题—搜集信息—评价选择—店铺选择与购买—购后活动”。在这个过程中，消费者主要受外部因素和内部因素的影响。这两大类因素的作用机理表现为，通过影响消费者的自我概念和生活方式从而使消费者产生需要和欲望，进而发生与此相对应的决策行为。而这两类因素的影响效果大小则会受消费者行为的体验结果以及两类因素的互相作用的影响。 (二)Roger Blackwell理论模型 Blackwell构建两个理论模型，但是，这两个模型在内容及其作用上存在一定差异。 第一个模型是一个简化了的消费者行为模型。该模型把消费者行为描述成获取、消费和处置三个连贯的阶段所组成的过程，而且还对这三个阶段的决策问题具体化。在这个过程里，影响消费者行为的因素也是两大类，但与Del Hawkins 观点不同的是，Roger Blackwell把外部因素和内部因素统一归类为“消费者影响”因素，而把外部因素中的营销影响因素特别加以强调，命其为“组织影响”因素。“组织影响”因素与“消费者影响”因素共同组成影响消费者行为的两大类因素。 第二个模型是对第一个模型的具体化。这个模型把消费者行为的获取、消费和处置过程进一步扩展为包含七个阶段的消费者决策过程。把原来的“组织影响”因素浓缩成一个产生效果的“激励”因素，把原来的“消费者影响”因素细分为“环境影响”因素、“个人差异”因素和“心理过程”因素。 (三)Frank Kardes理论模型 Frank Kardes的理论模型比较简单。他把消费者行为理解成情感反应、认知反应和行为反应过程。这些反应是由相关变量引起的，这些变量有个人变量、环境变量、人与环境互动变量等。 (四)John Mowen 理论模型
作者：非成败 作品编号：92032155GZ5702241547853215475102 时间：2020.12.13 从微观经济学角度分析影响房价的因素 摘要：房价关系着和影响着每个家庭，房价是个备受关注的问题，本文从微观经济学角度出发，从供需、消费者和博弈机制三个方面来分析影响房价的因素。 关键词：房价供需消费者博弈机制 一、供需影响着房价 1.住房供给影响房价。这里主要从供给结构来谈。我国居民人均居 住面积与其它国家尤其是发达国家的人均居住面积相比，仍存在很大的差距，绝对住房供给水平并不高，供给方面存在结构不合理的问题，存在空置。这里引入空置这一概念。①空置一词来源于西方，指建筑物的整体或部分未得到使用，处于等待出租状态或者出售状态。由此可见，空置一方面表明房屋未被使用，另一方面还意味着所有权人准备将房屋出租或者出售，只有两方面都满足的房屋才是空置房屋。否则，不能称其为空置。空置也是一种供给，且：供给=需求+空置率。空置率是指某一时刻空置房屋面积占房屋总面积的比率。当市场交易以买卖为主且购买者就是房屋将来的实际使用者时，使用者注重的是房屋的服务功能，价格直接体现了使用者对房屋的支付意愿。从卖方角度看，面临的
主要问题是能否及时将房屋销售出去，因为销售时间越长，市场价格变化的可能性越大，价格风险不断增加；同时，空置期越长，管理的费用就越高。因此，在预计销售时间较长时，卖方为了减少风险就可能降低销售价格；相反，空置面积减少，购买者增加时，卖方就有可能提高价格。 2.土地的供给影响房价。土地的供给总量影响着房地产产品供应总 量。土地供给就是可供利用的土地的数量，分为自然供给和经济供给。所谓土地的经济供给，就是指在自然供给的基础上，经过开发，可为人类直接用于生产，生活等各种用途的土地的数量。 土地供给是房地产市场基础，土地供给假如是被储备、闲置或者是被蓄意囤积，那么土地供给量只能部分转化为房地产市场的供给。所以这里所说的土地供给总量为有效供给总量。土地供给总量对房地产市场有着两方面的影响：一方面是影响房地产产品的供给总量；另一方面是影响生产和预期。但影响力的时效不同，对房地产产品供给的影响，由于房地产开发周期的原因，要在1～2年之内才能显现出来，但对投资和消费的影响却是当期的。由于房、地的紧密关系，土地供给量与房地产增量有着密切关系，土地供给量是房地产增量的基础，他们之间的关系由容积率来反映。 设房地产增量为QR，土地供给量为QL，容积率为F，则有QR=F×QL。 则当容积率不变时，土地供给量与房地产增量呈线性正相关关系。
现代统计学 1.因子分析(Factor Analysis) 因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。 运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。 2.主成分分析 主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,和cluster analysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。 主成分分析和因子分析的区别 1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成个变量的线性组合。 2、主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。 3、主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。 4、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。 5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。 和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。 总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,
中国房地产价格影响因素分析 摘要作为国家的支柱产业,房地产业的稳定与发展关乎国计民生。虽然从全国总体来看,房地产市场保持健康、快速发展态势,供求基本平衡,但部分地区仍然存在房价上涨过快、住宅供给结构不合理等问题。要解决这些问题,使中国房地产市场保持持续健康发展,国家的宏观经济政策对房地产价格的调节作用显得非常重要。而要进行有效调控,得首先识别在各种因素中,到底哪些因素能对房地产价格有影响,哪些因素对房地产价格的影响力强,哪些对房地产价格的影响力稍弱等问题。本文介绍了房地产价格一些基本知识,以及房地产价格的特性,并且从定性角度说明了房地产价格的影响因素,包括:自身因素、环境因素、人口因素、经济因素、社会因素、行政因素、国际因素、心理因素。并把这些因素具体的分类为需求因素、供给因素和其它因素。 关键词住宅价格; 商品房市场; 影响因素; 实证研究 1 房地产价格的特性 房地产包括土地、建筑物、和其它地上定着物三个部分，同时又是实物、权益和区位三者的综合体。房地产的特性主要取决于土地的特性，是以土地的特性为基础的。从房地产估价和把握房地产价值的角度来看，房地产主要有不可移动、独一无二、寿命长久、供给有限、价值量大、流动性差、用途多样、相互影响、易受限制和保值增值十个特性。房地产的特性决定了其价格不同于一般的商品，与一般物价相比，房地产价格有其自身的特性： （1）价格的基础及表示方式不同。房地产具有不可移动性，可转移的并非是房地产本身，而是该房地产的权利和收益。因此，房地产价格是房地产权利和收益的购买价格。其表示方式也是多种多样的，除了价格表示外，还可以用租金表示。 （2）形成的时间不同。一般商品价格可以标准化，有比较完整的市场，价格形成时间短且比较容易。房地产个别差异大，缺乏完整统一的市场，价格是在过去甚至将来的长期影响下形成的，价格形成时间长且相对比较困难，评估时必须根据房地产自身的特点和市场状况，进行具体分析。 （3）房地产价格实质上是房地产权益的价格。房地产由于其不可移动性，在交易中可以转移的不是其实物，而是其所有权、使用权或其他权益。故房地产估价与对房地产权益的调查、了解和分析有密切的关系。 （4）房地产价格主要由需求决定，并具有明显的地区性和个别性。房地产的供给有限，且由于它的位置固定，在一定区域内又具有垄断性，所以难以形成统一的全国市场价格。另外，在同一地区城市内，房地产位置的差别决定了房地产价格难以标准化，个别性明显。 （5）市场结构不同。房地产市场是不完全市场，需求对价格的影响很大，形成的房地产价格受主观因素的影响也很大。同时，由于房地产的稀缺性，其价格上升的速度要远远高于一般性商品。 综上，房地产价格是由其效用、相对稀缺性及有效需求三者互相作用、相互影响所形成的。而这些因素又难以定量，且经常处于变动之中，房地产评估
兵工自动化 2016-08 Ordnance Industry Automation 35(8) ·50· doi: 10.7690/bgzdh.2016.08.012 基于影响因素主成分分析的航材消耗预测模型 张梁1，崔崇立2，贲徐伟3，辛昱1，曹亮4 (1. 空军勤务学院学员一大队二队，江苏徐州 221000；2. 空军勤务学院航材管理系，江苏徐州 221000； 3. 中国人民解放军94906部队，江苏苏州 215157； 4. 中国人民解放军94783部队，浙江湖州 313111) 摘要：为了确定航材消耗预测各影响因素的影响程度，提高航材消耗规律分析及其预测的准确性，提出一种基于影响因素主成分分析与广义线性回归的航材消耗预测模型。对航材消耗影响因素进行定性、定量分析，通过主成分分析筛选变量，对影响因素数据进行降维，得到最佳的影响因子集合；然后通过广义线性回归构建航材消耗方程，并验证其拟合优度，最后进行消耗预测。分析结果表明：该模型降低了影响因子相关性，减小了回归分析难度，提升了回归分析的精度，提升了航材消耗预测模型的准确度。 关键词：航材消耗；主成分分析；广义线性回归 中图分类号：TP391.92 文献标志码：A Prediction Model of the Aviation Materials Consumption Based on PCA of Influencing Factors Zhang Liang1, Cui Chongli2, Ben Xuwei3, Xin Yu1, Cao Liang4 (1. No. 2 Team, No. 1 Cadet Brigade, Air Force Logistics College, Xuzhou 221000, China; 2. Department of Air Material Management, Air Force Logistics College, Xuzhou 221000, China; 3. No. 94906 Unit of PLA, Suzhou 215157, China; 4. No.94783 Unit of PLA, Huzhou 313111, China) Abstract: To define the multi-factor affecting degree of consuming prediction of aviation materials and improve the accuracy of consumption analysis and prediction, we proposed a method for predicting the consumption of aviation materials based on principal component analysis (PCA) of influencing factors and generalized liner regression. Firstly, quantitatively and qualitatively analysis the influence factors of aviation materials consumption. Then, screen out the main factors by PCA and make it dimensionality reduction to get the best collection of variables. Finally, use the generalized linear regression to build the air material consumption equation, and verify its goodness-of-fit, and finally make consumption forecast. The results show that the model reduces the impact factor correlation, and the difficulty of regression analysis, and improves the precision of regression analysis, and the accuracy of the prediction model of aviation material consumption. Keywords: consuming of aviation materials; PCA; generalized liner regression 0 引言 航空器材的消耗预测是空军航材保障工作中的重要环节。该项工作直接影响空军航空兵部队作战训练任务的完成和保障工作的军事、经济效益[1-2]。进行航材消耗预测的关键在于准确掌握航材历史消耗信息和恰当选择分析方法，以确定影响因素的影响程度，从而为航材保障实践活动提供指导。基于此，笔者提出一种基于影响因素主成分分析与广义线性回归的航材消耗预测模型，采用定性、定量分析的方法，分析环境条件和保障任务等诸多航材消耗影响因素，通过主成分分析确定影响主因子，减小影响因素相关性对航材消耗规律线性回归分析的影响，从而减小广义线性回归建模的工作量，提高航材消耗规律分析的准确性。1 模型介绍 1.1 主成分分析 在多数实际问题中，数据的不同指标(属)之间有一定的相关性。主成分分析是利用降维的思想，将多个变量转化为少数几个综合变量(即主成分)，其中每个主成分都是原始变量的线性组合，各主成分之间互不相关，使这些主成分能够反映原始变量的绝大部分信息，且所含的信息互不重叠[3]。计算步骤如下： 1) 变量标准化。 协方差矩阵的计算根据自变量不同分为2种情况：当各变量的度量单位相同且数值差异不大时，可直接计算变量的协方差矩阵；反之，则需要将原 1 收稿日期：2016-04-15；修回日期：2016-05-12 作者简介：张 梁(1992—)，男，四川人，在读硕士，从事航材保障决策与信息技术研究。
计量经济学论文房价影响因素的实证分析 标准化工作室编码[XX968T-XX89628-XJ668-XT689N]
我国房价影响因素的实证分析 【摘要】：作为国家的支柱产业，房地产的稳定发展关乎国计民生。近几年，房地产价格飞速上涨，连创新高。在这种情况下研究房价的影响因素，具有重要的理论和现实意义本文针对我国房价快速增长的现象，从人均可支配收入、房屋平均造价、房屋销售面积和房屋竣工面积四方面入手．依据收集到的相关数据．利用计量经济学软件Eviews对房价影响因素进行回归分析，得出房价受人均可支配收入、房屋平均造价和房屋竣工面积三方面因素影响的结论。 【关键词】房价 Eviews回归分析 一、引言 住房问题关系到群众的安居乐业和切身利益,关系到社区的安定。经过十多年的发展，我国房地产业已经成为国民经济的支柱产业之一，市场体系趋于完善，住房消费成为扩大内需的新动力和消费热点。但是近年来，我国房地产价格上涨较快，部分地区房价持续飙升，上涨幅度大大超过经济总体增长水平及其它行业产品与服务的上升幅度。房价增长过快的趋势，不仅极大地影响到城市居民的生活质量，也是整个国民经济继续平稳发展的一个不稳定因素，房价问题已经成为一个引起广泛关注的重要经济问题和社会问题。如何解决我国目前房地产市场价格居高不下的问题，对于提高城镇居民生活水平、缓解社会矛盾、保持经济持续发展具有重要意义。写作目的：通过对我国30个省份的有关资料进行分析，了解对其主要因素和次要因素。并对这些因素进行统计推断和经济意义上的检验。选择拟和效果最好的最为结论。 二、文献综述 近几年来，我国房价持续上涨，不断创出历史新高。关于房价上涨的原因,住房和城乡建设部课题组(2004)分析为地价上涨推动多种住房需求旺盛,而深层次的原因在于消费者预期改变[1]。中国社会科学院与社会科学文献出版社(2007)联合发布的《2006年中国房地产发展报告》预测我国房地产价格长期趋势是上升的,其原因在于市场需求旺盛;供给结构失调;国家信贷的积极支持;地方政府的推动;缺乏规范有效的信息披露制度[2]。沈悦、刘洪玉(2004)认为如果房地产价格的上涨只是投机造成,缺乏相应的经济基础支持,这种价格上涨会向市场发出错误的信号,造成房地产市场和经济的虚假繁荣[3]。关于房地产市场的调控方式,梁云芳,高铁梅(2006)通过实证认为我国房地产市场只存在局部泡沫,通过利率来调控房地产市场,成效不大,但是信贷规模的变化对房地产