全国房价统计表

2017全国最新房价排名一览表2017年全国最新的房价走势如何呢?有没有2017年最新全国房价排名表一览呢?哪些城市上了2017全国最新房价排行榜名单呢?下面是店铺精心为你们整理的关于2017全国最新房价排名的相关内容，希望你们会喜欢!2017全国最新房价排名_2017年全国房价排名表一览_2017全国城市房价排名2017全国最新房价排名：北京——均价：63082元/平方米北上广深是国家定位的一线城市，其主要优势是国家在教育、医疗、交通、商业、产业等方面的投入远比其它城市要大，城市居民享受的社会公共资源以及福利有目共睹，是目前三四线城市无法比拟的。

在北京买房意味着可以得到最好的医疗条件。

在北京买房意味着可以得到优于其他城市退休人员的养老保障。

在北京买房意味着你的孩子以后进入清华北大这样的著名院校，可以比其他地方的老生容易很多。

但是，对于一个普通的在京工作人员，在北京买房也意味着，一辈子可能都在还房贷!三环内三居室没有低于1000万的，但凡是个稍微好点的看得上的都8W+以上。

2017全国最新房价排名：上海——均价：52286元/平方米上海的核心功能是什么?就是做世界级城市群的核心城市，做全球城市。

再直白点说，就是：全球移民目的地!所有与做“全球城市”无关的功能，通通都要远离上海。

对标纽约、伦敦，他们有的，上海必须有;他们没有的，送给南京杭州合肥。

到了这一步，似乎明白了。

北京要疏解“非首都”功能，上海要疏解“非全球城市”功能，未来中国的两个超级大都市，北京是中国的首都，上海是世界的上海。

抛开房价问题，上海的今天或者未来，绝对是值得骄傲的。

但是，作为在上海的很多外地人，又不得不去面对房价的压力，选择在上海奋斗，却几乎看不到能在上海立足的希望。

上海3月二手房均价52286 元/m2，而上海每个区的房价看完让在很多在上海没买房的人生无可恋!按照月薪8000元，房子50㎡的标准，大概要40年才能买得起。

理由如下：2017全国最新房价排名：深圳——均价：44730元/平方米你觉得5万/平很高了吗，很显然，那只是均价，不拿个10w+/平方米的房子，特区的地位往哪放。

2017年中国城市的房价排名榜近几年来，中国房价每年都会有所上涨，尤其是北上广深等一线城市更是与日俱增。

关于全国城市的房价是很多人想要了解的。

下面小编整理的中国城市房价排名榜，一起来围观吧。

中国城市房价排名榜排名第6、天津，均价22584/平方米排名第5、南京，均价23989/平方米排名第4、厦门，均价37818/平方米排名第3、深圳，均价43332/平方米排名第2、上海，均价47549/平方米排名第1、北京，均价53087/平方米中国各省会房价排行榜数据奋斗吧，少年!希望三年内五年内每个打工族都在自己的省会城市能拥有属于自己的一套房!房价的特点介绍1、房价具有明显的权利价格特征由于房地产本身空间的固定性和不可移动性，不象其他商品一样通过买卖可以转移到任何地点使用，而是一种权利关系的转移，因而房价实质上是权利价格。

房地产权利包括房地产所有权和他项权利，这种权利体系称为“权利束”，即房地产权利是由一束权利组成的，房地产所有权是最完全、最充分的权利，由此派生出租赁权、抵押权、典当权。

同时，又由于房地产使用价值的多样性，对于同一种房地产不同的人所需要的用途是不一样的，相应所需要的权利也就不一定相同，因而可以分享同一房地产的不同权利，这就形成不同权利价格，例如所有权价格、租赁权价格等等。

2、作为房价基础的价值具有特殊性房价一般商品都是人类劳动的产品，商品的价值量是由生产该商品的社会必要劳动时间来决定的。

而房地产的物质构成中包含土地在内，原始土地本身是非劳动产品，其价格是地租的资本化，只有加工在土地上的劳动才能以社会必要劳动时间来计量，因此，房地产不完全是劳动产品，房价也不完全是社会必要劳动时间决定的。

如前所述，房价只能说基本上是房地产价值的货币表现。

由于土地是稀缺资源，不能再生，因而土地价格受到供求关系的影响特别大，市场需求的无限性和土地供给的有限性，必然拉动地价上涨，由此影响到房价也呈现出长期上升的趋势。

70城房价最新数据公布70城房价最新数据公布一览2023年4月份，70个大中城市中商品住宅销售价格环比上涨城市个数减少，同比上涨城市个数增加。

70个大中城市商品住宅销售价格环比整体涨幅回落、二手住宅环比涨幅回落更为明显，各线城市商品住宅销售价格同比上涨或降势趋缓。

商品住宅销售价格环比上涨城市个数减少、同比上涨城市个数增加4月份，70个大中城市中，新建商品住宅和二手住宅销售价格环比上涨城市分别有62个和36个，比上月分别减少2个和21个，二手住宅减少个数较多。

新建商品住宅和二手住宅销售价格同比上涨城市分别有22个和9个，比上月分别增加4个和1个。

商品住宅销售价格环比整体涨幅回落从新房看，4月份，一线城市新建商品住宅销售价格环比上涨0.4%，涨幅比上月略扩0.1个百分点，其中，北京、上海、广州和深圳环比分别上涨0.6%、0.4%、0.2%和0.3%;二、三线城市新建商品住宅销售价格环比分别上涨0.4%和0.2%，涨幅比上月分别回落0.2和0.1个百分点。

从二手房看，环比整体涨幅回落更为明显。

4月份，一线城市二手住宅销售价格环比上涨0.2%，涨幅比上月回落0.3个百分点，其中，北京、广州和深圳环比分别上涨0.1%、0.3%和0.5%，上海由上月上涨0.7%转为下降0.2%;二三线城市二手住宅销售价格环比均由上月上涨转为持平。

一线城市商品住宅销售价格同比上涨、二三线城市同比降势趋缓4月份，一线城市新建商品住宅销售价格同比上涨 2.0%，涨幅比上月扩大0.3个百分点;二手住宅销售价格同比上涨0.9%，涨幅比上月回落0.2个百分点。

二线城市新建商品住宅销售价格同比由上月下降0.2%转为上涨0.2%;二手住宅销售价格同比下降2.2%，降幅比上月收窄0.2个百分点。

三线城市新建商品住宅和二手住宅销售价格同比分别下降1.9%和3.6%，降幅比上月分别收窄0.8和0.3个百分点。

注释：70个大中城市房地产价格统计一二三线城市划分：一线城市指北京、上海、广州、深圳等4个城市;二线城市指天津、石家庄、太原、呼和浩特、沈阳、大连、长春、哈尔滨、南京、杭州、宁波、合肥、福州、厦门、南昌、济南、青岛、郑州、武汉、长沙、南宁、海口、重庆、成都、贵阳、昆明、西安、兰州、西宁、银川、乌鲁木齐等31个城市;三线城市指唐山、秦皇岛、包头、丹东、锦州、吉林、牡丹江、无锡、徐州、扬州、温州、金华、蚌埠、安庆、泉州、九江、赣州、烟台、济宁、洛阳、平顶山、宜昌、襄阳、岳阳、常德、韶关、湛江、惠州、桂林、北海、三亚、泸州、南充、遵义、大理等35个城市。

高考一轮复习城市和城市化选择题同步训练读某国城市人口比例、城市人口自然增长率、贫困率变化图，完成1－2题。

1.有关该国的城市化叙述，正确的是A.进入逆城市化，人口流向农村B.农业人口较少，基础设施完备C.城市化水平高，属于发达国家D.属虚假城市化，为发展中国家2.该国的咖啡豆远销世界各大洲，影响该国咖啡树种植的自然因素是A.热量B.交通C.地形D.降水量【答案】1. D 2. A【解析】1.读图分析可知，该国城市人口比例达到70％以上，说明该国的城市化水平较高，但是同时也看出该国的贫困率较高，人口的自然增长率较高，说明该国的城市化与该地的经济发展水平不相适应的，城市化水平远远高于经济发展水平，属于虚假城市化，为发展中国家的城市化特点，故答案选D项。

2.该国的咖啡豆远销世界各大洲，而且属于发展中国家，由此判断该国为巴西，咖啡属于热带经济作物，巴西纬度较低，有大面积的热带气候区，热量充足，适合咖啡的生长，故答案选A。

读“某日洛杉矶几种污染物浓度日变化图”，根据“光化学烟雾”的相关知识回答3－5题。

3.“光化学烟雾”的主要污染物是（）A.碳氢化合物和氮氧化合物B.硫氧化合物和臭氧C.氮氧化合物和硫氧化合物D.碳氢化合物和臭氧4.关于“光化学烟雾”及该日污染物浓度变化的叙述，正确的是（）A.7点左右CO和NO浓度达到最大值，且NO浓度大于CO的浓度B.O3浓度的与气温的日变化相一致C.“光化学烟雾”污染物的浓度与交通流量的日变化有关D.午夜时分各种污染物的浓度最低5.关于洛杉矶光化学烟雾成因的叙述，正确的是（）A.位于40°～60°N，常受西风影响B.与太阳辐射的红外线辐射关系密切C.冬季发生“光化学烟雾”的可能性大于夏季D.在副热带高压控制下的夏季是“光化学烟雾”发生的有利季节【答案】3. A 4. C 5. D【解析】3.本题考查光化学烟雾的污染物。

“光化学烟雾”的主要污染物是汽车尾气排放的碳氢化合物和氮氧化合物。

主要城市二手房房价涨跌幅排行榜精选文档 TTMS system office room 【TTMS16H-TTMS2A-TTMS8Q8-2017年12月主要城市二手房房价涨跌幅排行榜国家统计局今日发布了2017年12月份70个大中城市住宅销售价格统计数据。

12月“分类调控、因城施策”房地产市场调控政策效果继续显现，大部分城市二手房房价涨幅回落。

12月二手房房价环比上涨的城市有47个，比上月减少4个。

房价停涨的城市有8个，与上月持平。

房价下跌的城市有15个，比上月增加4个。

12月房价最高涨幅回落，12月房价涨幅最大的是昆明，房价环比上涨，环比上月回落个百分点。

但是房价涨幅超1%的城市扩大为3个。

据悉，房价涨幅靠前的城市分别为三四线城市，且为省会城市。

值得注意的是，昆明涨幅尤为明显，11月昆明二手房环比上涨仅%，12月环比上涨%。

兰州房价涨幅扩大，12月环比上涨%，涨幅扩大个百分点。

重庆环比上涨%，涨幅扩大个百分点。

新房房价连续下跌15个月的深圳，二手房涨幅扩大，12月深圳环比上涨%，涨幅扩大个百分点。

12月15城房价下跌，分别为：上海、济南、平顶山、桂林、北海、石家庄、南京、福州、南昌、郑州、温州、蚌埠、北京、广州、厦门。

12月除深圳房价上涨外，一线城市二手房房价均下跌，其中北京、广州跌幅最大，均环比下跌%，北京二手房持续下跌8个月。

值得注意的是，广州二手房同比上涨%，是一线城市中同比涨幅最大的城市。

北京二手房同比也出现下跌，12月同比下跌%，是唯一一个二手房房价同比下跌的一线城市。

此外，曾经出现万人连夜排队买房，地王崩盘的南京，二手房也出现环比下跌，12月南京环比下跌%，同比下跌%。

值得注意的是，颇受投资客喜爱的厦门二手房环比跌幅最大，环比下跌%，跌幅比上月扩大个百分点。

数据来源：中商产业研究院整理更多资料请参考中商产业研究院发布的《2018-2023年中国房地产市场前景调查及投资机会研究报告》。

房价中有多少归政府所有一、地价与房价之争早在今年两会上，全国工商联房地产商会就全国9城市“房地产企业的开发费用”的调查显示，房地产项目开发中，土地成本占直接成本的比例最高，达到58.2%。

地价推高房价的争论就此开始。

今年6月底，为了掌握房地产市场和土地市场运行情况，积极应对当前市场形势变化，国土资源部组织开展了“房地产项目用地地价专项调查”。

调查范围为全国各地价动态监测城市，调查方式为城市内分区域随机抽样，对象主要是2006年以来取得土地且已进入销售阶段（包括已售完）的商品房开发项目（部分房地产市场不够活跃的城市选取了少量2004、2005年取得土地的案例）。

其中，调查的房价为商品房开盘时的平均售价，地价为土地出让时的楼面地价。

土地取得时间为取得国有土地使用权证的时间。

此次测算案例的统一出让方式为以招拍挂方式出让、净地形式公开出让的商品房用地。

剔除掉毛地出让、协议出让等不符合要求的数据后，共得到有效案例620个。

1、国内调研结果根据调查结果，620个案例中，销售房价最高为45000元/平米，最低为1130元/平米，房屋均价在6000元/平方米（含）以下的案例占总案例的76％；地价占房价最低比例为5.3%，最高为58.6%，平均为23.2%。

356个项目比例在15%－30%之间。

其中，比例在30%以下的约占总数的78%。

如图1、图2：图1 调查案例地价占房价比例分布图2 调查案例房价分布2、长沙调研结果在公布的620个项目中，湖南省有23个，其中长沙市有6个。

长沙市的6个项目中，分布在长沙的岳麓区、天心区、雨花区、芙蓉区，拿地的时间主要集中在2006年和2007年。

地价占房价比最高为27.24%，最低为12.79%。

从数据来看，2006年取得土地的项目，地价占房价的比例比2007年取得土地的项目更低一些。

如表1：表1 国土资源部房地产项目用地地价专项调查长沙调研结果（二）高房价受益者是谁？一般人都倾向于认为，房价增加的部分，都变成了开发商的利润，但有业内人士认为，高房价并没有人们想象的那样，转化为开发商的高利润，而是有相当一部分进了政府的口袋。

2020房价上涨城市排名最新推荐
一、北京
住宅均价：9418元/平米
环比上周：↓0.15%，环比上月：↓0.85%，同比去年：↑3.93%二、上海
住宅均价：27024元/平米
环比上周：↑0.05%，环比上月：↑19.20%，同比去年：↑30.37%三、深圳
住宅均价：25942元/平米
环比上周：↑1.56%，环比上月：↑0.33%，同比去年：↑26.48%四、三亚
住宅均价：20,017元/平
环比上月-4.01%
五、厦门
均价：25538元/平米
环比上周：↑0.33%，环比上月：↑1.92%，同比去年：↑27.56%六、广州
均价：18484元/㎡，环比上涨：1.02%。

七、杭州
住宅均价：20753元/平米
环比上周：↓0.1%，环比上月：↑1.29%，同比去年：↑8.80%
八、福州
均价：15569元/㎡，环比：0.12%。

九、南京
住宅均价：15925元/平米
环比上周：↑0.45%，环比上月：↑26.03%，同比去年：↑39.72%十、温州
均价：14870元/㎡，环比：0.98%。

第十一、宁波
住宅均价：14698元/平米
环比上周：↑0.38%，环比上月：↑1.33%，同比去年：↑0.11%第十二、未来房价走势将暴涨城市天津
住宅均价：17032元/平米
环比上周：↑1.21%，环比上月：↑0.95%，同比去年：↑18.01% >>>点击下页进入更多2017房价上涨城市排名相关内容。

排序城市名称省会人均GDP 1北京北京1147172上海上海1137193江苏南京953904天津天津1156175广东广州732906浙江杭州839237福建福州742888湖北武汉551969安徽合肥3925710山东济南6736411河北石家庄4286612河南郑州4236313江西南昌4022314甘肃兰州2751315四川成都3983516云南昆明3135917山西太原3528418海南海口4440519湖南长沙4606320广西南宁3804221黑龙江哈尔滨4036522重庆重庆5820823陕西西安5053024辽宁沈阳5028725内蒙古呼和浩特7420326吉林长春5406627新疆乌鲁木齐4075628贵州贵阳3324729青海西宁4371830宁夏银川4716531西藏拉萨354998808855922965平均房价（元/m²）5812849515249362375644387675753575047431591349166630661465606165人口密度（人/km²）1311.403826.50775.831272.90596.44541.06313.5171527140815483562182119276143811422913490133251272193899003 2.59312.86435.74623.50392.77565.03272.148.1099.70318.08201.1881.04363.03183.43301.371461221.17146.8513.80199.0956.95167.84119.64233.85266.212061863749157427850011790销售面积（万1659270613962271166821130646921679930036401509758085421521176257438966326337122528191918284157城镇化率地域DI86.51%东部089.12%东部066.52%东部082.64%东部068.71%东部065.80%东部062.59%东部056.85%中西部150.50%中西部157.01%东部051.33%东部046.85%中西部151.62%中西部143.19%中西部147.69%中西部142.90%中西部155.03%中西部155.12%东部050.50%中西部147.06% 东部058.80%中西部160.94%中西部153.92%中西部167.35%东部060.30%中西部155.30%中西部147.25%中西部142.01%中西部150.30%中西部155.23%中西部125.75%中西部1146122061863749157427850011790积（万/m²）1659270613962271166821130646921679930036401509758085421521176257438966326337122528191918284157。

毕业论文题目基于回归分析的房价模型及预测学生姓名王赛学号0809014046所在院(系) 数学与计算机科学学院专业班级数学与应用数学(师范类)专业081班指导教师李晓康论文完成地点陕西理工学院2012年5月27日基于回归分析的房价模型及预测王赛(陕西理工学院数学与计算机科学学院数学与应用数学08级1班,陕西汉中 723000)指导老师:李晓康【摘要】选取全国几个代表性城市,确定影响房价的主要因素,建立房价的数学模型—多元线性回归模型.首先用信息增益法找出影响房价的主要因素,确定模型,利用最小二乘法求解模型中的参数,用回归分析确定模型精度及检验,从而得出一个完整的数学模型;接着利用往年数据建立拟合曲线,预测未来四年影响北京市房价的主要因素及房价走势,并进行定量分析;最后根据模型进行预测,分析模型的优缺点并提出改进方向,并给出抑制房价的建议.【关键词】房价问题;回归模型;拟合曲线;预测;经济发展1 引言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.房地产行业作为中国经济的支柱产业,它的一举一动都影响着国民经济的发展以及吸引着媒体和大众的目光.近几年来房地产业已经成为一个社会关注度很高、情绪化影响很大、学术研究水平很低、政策手段很矛盾、调控效果很不确定的产业.而这几年,房价问题越来越受到人们的关注.所以,认清当今的房价现状,对我国相关政策法规的制定、企业发展规划以及普通家庭的置业理财等都大有裨益.影响房价的因素有很多,如人口增长率、工薪收入、城乡人均储蓄余额、房屋造价、人均全年住房支出、城镇房地产开发投资等.回归分析是确定变量间相关关系的有效方法.本文拟采用信息增益法确定影响房价的主要因素,采用回归分析法建立模型,对未来房价进行分析和预测.2 基本假设及定义符号说明2.1基本假设假设一所选的城市物价和其他情况相对比较稳定,全局内没有大起大落的现象;假设二未来几年不会发生特大自然灾害、战争动乱以及人为伤害;假设三房屋建造成本用竣工房屋造价来代替;假设四房屋价格通过商品房平均销售价(元/平方米)来表示;假设五房价购买能力用人均储蓄存款、人均可支配收入来表示,银行利率每年保持稳定;假设六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;假设七供需平衡指:供应量=需求量.2.2定义符号说明: 表示工薪收入(元);: 表示城乡人均储蓄余额(元/人); : 表示造价(元/平方米); : 人均全年住房支出(元); : 竣工面积; : 人口增长率;: 开发商投资;Y : 商品房平均销售价(元/平方米); : 为随机变量; :序列的方差; 分别表示序列的均值; 分别表示,即中心化序列; : 模型参数;: 为残差的平方和;: 统计城市数(样本数); : 年份序号;: 中心化序列的协方差.3 模型的建立下表为我国13个城市商品房平均销售价及其相关因素统计表.依照此表可以求得各因素对商品房平均售价的影响程度,采用信息增益计算法.表 3.1 13个城市商品房平均销售价及其相关因素统计表注:上表数据来源为《中华人民共和国国家统计局—年度数据》. 3.1 信息增益计算法信息增益基于信息论中熵的概念.熵是对事件的属性的不确定性的度量.一个属性的熵越大,它蕴含的不确定信息越大.因此,ID3总是选择具有最高信息增益的属性作为当前结点城市竣工面积(万平方米)人口增长率(‰) 工薪收入(元)城乡人均储蓄余额(元/人)造价(元/平方米) 人均全年住房支出(元) 城镇房地产开发投资(亿元) 房价(元/平方米) 北 京 5225.5 3.50 21105.61 83601.71 2219.07 551.99 2337.7 13799 天 津 2240.1 2.60 14389.10 39781.95 2642.37 450.48 735.2 6886 石家庄 7751.0 6.50 9830.5719263.991851.67 187.24 1520.0 3263 上 海 5719.9 2.70 23172.36 71355.13 2923.56 991.08 1462.1 12840 南 京 43307.5 2.56 13480.72 25994.34 2147.98 512.11 3338.5 4983 杭 州 40239.7 4.63 16701.04 34427.49 2049.83 652.20 2254.3 7826 福 州 7435.1 6.20 14211.49 19516.98 1509.06 469.24 1136.3 5427 武 汉 10280.7 3.48 10331.51 14271.78 1881.15 289.00 1200.4 3532 长 沙 10073.8 6.11 9854.09 12191.34 1667.34 315.10 1084.6 2680 成 都 11393.5 2.72 10132.43 14141.951403.38 314.46 1588.4 3509 昆 明 3771.2 6.08 9641.68 10213.56 1564.40 432.74 737.5 2931 拉 萨 177.5 10.24 13326.40 7805.05 999.54 105.27 15.7 2452 西 安 3128.2 4.00 10775.37 17878.611865.76 243.32 941.6 3223 平 均11595.74.713611.728495.71901.9424.21411.75642.4的测试属性.设S 是s 个数据样本的集合.假定类标号属性具有个不同的值,定义个不同的类i C .设是类i C 中的样本数.对于给定的样本分类所需要的期望信息由下式给出, 其中是任意样本属于i C 的概率,一般可以用来估计.设属性有v 个不同的值.可以用属性将S 划分为v 个自给,其中j S 包含S 中这样一些样本,他们在上具有值.设是子集j S 中类i C 的样本数.根据划分子集的熵由下式给出()()mj j j vj mjj j s s s I ss s s x E 211211,∑=+++-=.上式中ss s s mjj j +++ 21充当第个子集的权,并且等于子集(即值为)中的样本个数除以s 中的样本总数.根据上面给出的期望信息计算公式,对于给定的子集j S ,其期望信息由下式计算,其中是j S 中样本属于类i C 的概率.由期望信息和熵可以得到对应的信息增益.对于在上分支将获得的信息增益可以由下面的公式得到. 3.2 确定主要因素ID3计算每个属性的信息增益,并选取具有最高增益的属性作为测试属性.由上式可以看出,熵值越小时,其信息增益越大,表明相应的信息量越有效.在此采用ID3算法计算出每个属性关于房价的信息增益,而为了测试准确,选取半数以上信息增益较大的属性作为测试属性,即为影响的属性.利用下述公式将原始数据(见表 3.1数据)化为0,1两数值(计算结果见表3.2)n j m i ma a a a ma a a ab mjj j ij mj j j ij ij 2,1;2,1012121==⎪⎪⎩⎪⎪⎨⎧+++<+++≥=这样统计方便计算其影响房价的因子由房价划分时每个因子的熵,进而求出信息增益,判断出影响房价的主要因子.表 3.2城市编号 竣工面积人口增长率 工薪收入 储蓄余额造价 人均每年住房支出开发商投资 房价 1 0 0 1 1 1 1 1 1 2111113 0 1 0 0 0 0 1 04 0 0 1 1 1 1 1 15 1 0 0 0 1 1 1 06 1 0 1 1 1 1 1 17 0 0 0 0 0 0 0 08 0 1 0 0 0 0 0 09 0 0 0 0 0 0 1 010 0 0 0 0 0 0 0 011 0 1 0 0 0 1 0 012 0 1 0 0 0 0 0 013 0 1 1 0 0 1 0 0 最终是根据房价来求其他因子的信息增益,所以统计房价中0,1的样本数为:有4个样本,有9个样本.为了计算各因子的信息增益,先给定房价所需的信息期望接下来计算每个属性的的熵,从竣工面积开始.观察竣工面积的每个样本值的分布,对于竣工面积=1,有1个房价=1,1个房价=0;对于竣工面积=0,有3个房价=1,有8个房价=0(见表 3.3).所以.表 3.3房价=1 房价=0竣工面积=1 1 1竣工面积=0 3 8因此该属性对应的熵为信息增益为同理可得,各个属性等于1或等于0时,房价等于1和房价等于0时的样本数如表3.4所示表 3.4房价=1 房价=0人口增长率=1 0 5人口增长率=0 4 4储蓄余额=1 4 0储蓄余额=0 0 9造价=1 4 1造价=0 0 8年人均住房支出=1 4 3年人均住房支出=0 0 6开发商投资=1 3 3开发商投资=0 1 6同理,计算各个属性的信息增益为由以上数据比较可得因此,选择其半数以上的属性作为预测属性,即影响房价的因子为储蓄余额、工薪收入、造价以及年人均住房支出.3.3 主要因素和商品房平均销售价的关系图利用Matlab程序,依次做出主要因素和商品房平均销售价的关系图图3.1 图3.2图3.3 图3.4 由商品房平均销售价分别与工薪收入、城乡人均储蓄余额、造价、人均全年住房支出的关系图(图3.1-图3.4)可以看出,商品房平均销售价和工薪收入、城乡人均储蓄余额、造价、人均全年住房支出存在相依关系.一般地,当影响结果Y的因素不只是一个时,要通过作图来确定它们的关系是困难的,可以假设它们之间有线性相关关系,即得到回归模型.4 模型的求解模型为上式表示因变量Yˆ对自变量的相依性,其中,,,为未知参数.模型特点如下1、为一般变量,为随机变量;2、Yˆ为一般变量和随机变量的线形组合,Yˆ的值既取决于,又受制于.一般假定为白噪声,假定其服从均值为0,方差为的正态分布,如表 4.1所示表 4.1城市Y北京13799 21105.61 83601.71 2219.07 551.99天津6886 14389.10 39781.95 2642.37 450.48石家庄3263 9830.57 19263.99 1851.67 187.24上海12840 23172.36 71355.13 2923.56 991.08南京4983 13480.72 25994.34 2147.98 512.11杭州7826 16701.04 34427.49 2049.83 652.20福州5427 14211.49 19516.98 1509.06 469.24武汉3532 10331.51 14271.78 1881.15 289.00长沙2680 9854.09 12191.34 1667.34 315.10成都3509 10132.43 14141.95 1403.38 314.46昆明2931 9641.68 10213.56 1564.40 432.74拉萨2452 13326.40 7805.05 999.54 105.27西安3223 10775.37 17878.61 1865.76 243.32 将其中心化后得即t x a x a x a x a Y ε+∆+∆+∆+∆=∆44332211现在对模型的参数进行最小二乘法估计]3[.其中各序列(矩阵)的值见表4.2 表 4.2令=a (,,,),则的最小二乘估计应使残差平方和达到最小,其中称实际值与回归值的差为残差.由于是,,,的一个非负二次型,故其极小值必存在,根据微积分的理论可知,只要求分别对,,,的一阶偏导数0)(=∂∂aa S ,先对求一阶偏导即可得到化简上式可得用表示序列和的协方差,表示序列的协方差,表示序列和的协方差,表示序列和的协方差,表示序列和的协方差,则上式可写成(1)同理,由0)(2=∂∂a a S 推出(2)同理,由推出(3)同理,由推出(4)将(1)、(2)、(3)、(4)写成矩阵相乘的形式北 京 8156.6154 7493.889 55106.03 317.1379 127.8185 天 津 1243.6154 777.3792 11286.27 740.4361 26.30846 石家庄 -2379.385 -3781.15 -9231.7 -50.2633 -236.932 上 海 7197.6154 9560.639 42859.44 1021.631 566.9085 南 京 -659.3846 -131.001 -2501.34 246.0455 87.93846 杭 州 2183.6154 3089.319 5931.806 147.8984 228.0285福 州 -215.3846 599.7692 -8978.7 -392.874 45.06846 武 汉 -2110.385 -3280.21 -14223.9 -20.7817 -135.172 长 沙 -2962.385 -3757.63 -16304.3 -234.587 -109.072 成 都 -2133.385 -3479.29 -14353.7 -498.555 -109.712 昆 明 -2711.385 -3970.04 -18282.1 -337.528 8.568462 拉 萨 -3190.385 -285.321 -20690.6 -902.393 -318.902 西 安 -2419.385 -2836.35 -10617.1 -36.1672 -180.852则求解出参数的公式(5)运用往年的统计数据对模型中各个参数的求解,经计算得各个协方差的值为通过矩阵运算得到,,,的值为将,,,代回原模型得t x x ε+-+--)2.424(0715.3)9.1901(8191.043利用表3.1中的商品房平均销售价、工薪收入、城乡人均储蓄余额、造价、人均全年住房支出反推的值,即得到的13个值为表 4.3 残差数据 城市序号残差 1 56.7861 2 230.5766 3 -57.5374 4 -341.4342 5 -391.7489 6 474.8112 7 402.8636 8 502.5934 9 -281.0530 10 50.5127 11 -196.9233 12-265.306913 -193.8714 平均值-0.74858 根据表4.3做出残差曲线,见图4.1图 4.1因为的平均值为,相对于Y 值来说非常小,可以把近似看成是,予以忽略不计. 则模型变为4.5642)2.424(0715.3)9.1901(8191.043+-+--x x 上述模型从理论上来说可以由一个城市的工薪收入、城乡人均储蓄余额、造价、人均全年住房支出等方面的信息来推求这个城市的商品房平均销售价.利用表3.1中的各个城市的工薪收入、城乡人均储蓄余额、造价、人均全年住房支出,来反推各个城市的商品房平均销售价,并和已知的商品房平均销售价作对比,来评价该模型的实用性.模型计算值.将上式右侧参数及矩阵数据带入可得模型计算值Yˆ,结果见表 4.4 表 4.4 实际值均衡价格与计算值均衡价格对比分析根据表4.4做出实际值均衡价格与计算值均衡价格对比,见图4.2城市 实际商品房平均销售价 计算商品房平均销售价 误差百分比 1 13799 13731 0.49% 2 6886 6655 3.35% 3 3263 3321 -1.78% 4 12840 13181 -2.66% 5 4983 5375 -7.87% 6 7826 7351 6.07% 7 5427 5024 7.43% 8 3532 3029 14.24% 9 2680 2961 -10.49% 10 3509 3458 1.45% 11 2931 3128 -6.72% 12 2452 2717 -10.81% 1332233417 -6.02%图 4.2由以上回归分析数据与实际数据对比可以看出,此模型基本上能满足精度要求,但还是存在许多不足之处,如实际数据不足,忽略了一些相关因素,而且在以上讨论的不同因素之间还存在共线性问题等,所以模型有待进一步改进优化.5 模型应用5.1 影响房价的各个变量的预测选取北京为例,收集了北京从2005年到2011年与房价最相关的四个因素,见表5.1.然后对四个因素分别做出其与年份的拟合曲线,其中用1代替起始年份2005年,2代替2006年,……,7代替2011年;再通过所求出的拟合曲线,对四个因素未来四年走势进行定量分析.表5.1年份工薪收入(元) 城乡人均储蓄余额(元/人)造价(元/平方米)人均全年住房支出(元)2005 10152.14 36356.46 1780.60 489.502006 11590.45 41007.03 1801.84 501.232007 13666.34 48619.64 2153.40 456.302008 16284.17 55064.01 2392.99 575.682009 17318.72 56064.54 2175.57 605.892010 18738.96 86561.06 2374.10 552.312011 21105.61 83601.71 2219.07 551.995.1.1 工薪收入与年份拟合曲线参照表 5.1的数据,运用MATLAB建立拟合曲线.通过实验发现,采用一次多项式逼近最为合理.工薪收入与年份拟合曲线(见图5.1)图 5.1下面运用拟合曲线,预测未来四年工薪收入,见下表表 5.2年份序号9 10 11 12年份2012 2013 2014 2015 工薪收入(元) 24624 26438 28253 300685.1.2 城乡人均储蓄余额与年份拟合曲线运用MATLAB建立拟合曲线.通过实验发现,采用二次多项式进行逼近最为合理.城乡人均储蓄余额与年份拟合曲线(见图 5.2)图 5.2下面运用拟合曲线, 预测未来四年城乡人均储蓄余额,见下表表 5.3年份序号9 10 11 12 年份2012 2013 2014 2015 城乡人均储蓄余额117495 134660 153385 173670 5.1.3 造价与年份拟合曲线运用MATLAB建立拟合曲线.通过实验发现,采用二次多项式进行逼近最为合理.造价与年份拟合曲线(见图5.3)图 5.3下面运用拟合曲线, 预测未来四年住房造价,见下表表 5.4年份序号9 10 11 12 年份2012 2013 2014 2015 住房造价1929.8 1682.8 1374.8 1005.8 5.1.4 住房支出与年份拟合曲线运用MATLAB建立拟合曲线.通过实验发现,采用二次多项式进行逼近最为合理.住房支出与年份拟合曲线(见图 5.4)图 5.4下面运用拟合曲线, 预测未来四年住房支出,见下表表 5.5年份序号9 10 11 12 年份2012 2013 2014 2015 住房支出541.2464 520.0259 492.095 457.4537 5.2 房价预测运用模型其中, ,的数据参见表 5.6表 5.6年份工薪收入(元)城乡人均储蓄余额(元/人)住房造价(元)住房支出(元)2012 24624 117495 1929.8 541.24642013 26438 134660 1682.8 520.02592014 28253 153385 1374.8 492.0952015 30068 173670 1005.8 457.4537 代入数据求解得到2012年—2015年的房价,见表 5.7表 5.7年份预测房价(元)2012 186982013 212512014 240342015 27045参照2005年—2011年的实际房价与2012—2015年的预测房价数据,运用MATLAB建立拟合曲线.通过实验发现,采用二次多项式进行逼近最为合理.房价与年份拟合曲线,见图5.5图 5.5从预测的结果可以看出,房价的发展依然处于较强的增长状态,没有减弱的趋势.针对房价增长的趋势,北京市政府应积极响应国家的宏观调控,实施国家的各项政策,坚决打击各种投机,抑制房价增长过快的问题.6 模型的优化与政策建议6.1模型的优化本模型采用统计规律建立起了表示房价的多元线形回归模型.模型基于信息增益法判定影响房价的主要因素.模型建立之后进行了修正,得到的结果比较符合实际.方案简洁明了,易于操作.并且建立过程中运用了数据拟合法进行评估及预测,使结果精度更高.该模型仍然存在着很多问题,比如影响房地产价格的因素有很多,而在建立模型时忽略掉了一些被认为不是很重要的因素.除了模型中考虑到的影响房屋价格的因素之外,还有一系列其他因素的影响:(1)房屋的结构、质量、功能、新旧程度是影响房屋价格的重要因素.其次房屋的层数、层次和朝向不同,也会造成一定的价格差异.(2)环境因素.房屋所处位置是在城区还是在郊区,交通便利的繁华地段还是背街小巷,交通、文化教育和社区服务都对房价产生很大的影响.(3)国家政策.房价受政策因素的影响很大,在某种情况下,政策因素往往成为房屋价格的决定因素.例如:加快工租房的建设,抑制投机需求,全面叫停第三套住房公积金贷款等.以上几个因素对房价都有一定的影响,但由于时间仓促和能力有限,不能对诸多因素进行一一考虑,仅考虑了影响比较大的因素.由此采用的是“把握主要矛盾,忽略次要矛盾”的方法,因此该模型仍然具有一种普遍性和代表性,在此基础上在考虑其他因素时,此方法仍然是适用的.其次,确定模型参数的样本序列仅有13组数据,在应用统计规律中,因为统计规律本来只是适用于一些大样本甚至是无穷大序列,如果在样本很小的情况下应用,结果误差可能会很大.而在提出该模型时也确实参考很多的数据,才将之间的个各因素确定为线性的.在计算时为了节省时间又能够说明问题,所以只选用了几组数据.针对模型中存在的问题,提出如下改进建议:(1)本模型选取了13个代表性城市的数据进行分析,如果对更多的城市的统计数据(样本)进行模型运算,可以使精度更高.(2)本模型建立过程中忽略了众多因素对房价的影响,如考虑建成面积、流动人口、国家调控等因素等,应综合考虑各方面因素,以减小误差.(3)本模型建立过程中考虑各个因素与房价呈线性关系,但实际上线性不一定是最好的选择,还可以考虑2次、多次等回归关系,所建立的模型会误差更小.6.2抑制房价的政策建议要解决目前房价过高的问题,应从开发成本和供求关系两方面综合考虑.要把高的开发成本降下来,同时适当扩大开发量,调整供给结构,增加有效供给,培养和释放有效需求.影响商品房开发经营成本的主体主体有两个,一个是政府,一个是企业自身.两者必须同时努力才能达到降低成本的目的.由模型分析可知,房屋成本主要由土地开发费用、生产资料消耗和人工费用三部分组成.土地开发费用可以通过政府的宏观调空加以控制,进行最优化规划和预算将其达到最低.在生产资料方面,建筑材料的价格是一个很重要的因素,尤其是对钢材、混凝土等材料的价格进行有效的控制,使建筑材料的价格控制在一定范围之内;在人工费用方面,要提高一切相关人员的工作效率,实施严格的管理制度,以减少不必要的人力财力资源的浪费.仅采取降低成本的单向措施达不到降低住房价格的目的,因为房价总的来看是由供求决定的.在调整供求结构方面,需要政府和企业共同努力,政府实现宏观调控,改善人民生活水平;企业面对激烈竞争,必须要立足长远,居安思危.当务之急是从需求引导和宏观控制两方面入手,采取措施消除非正常因素.政府在政策引导上应采取措施,调整和引导供给与需求,缓解需求的压力;实行租售并举,缓解市场压力.如果以上建议都可以实现的话,成本就可以避免增加甚至可以降低,通过对供求关系调整,由其引起的价格上涨也可以得到控制,这样就可以有效的控制房地产价格的上扬.参考文献[1]《中华人民共和国国家统计局—年度数据》,/tjsj/ndsj/,2011.5[2] 毛国君等编著.数据挖掘原理与算法(第二版)[M].北京:清华大学出版社,2007.123.[3] 魏宗舒等编著.概率论与数理统计[M].北京:高等教育出版社,2008.4.[4] 徐萃薇,孙绳武编著.计算方法引论[M].北京:高等教育出版社,2007.4.47-52,54-58.[5] 徐滇庆.房价与泡沫经济[M].北京:机械工业出版社,2006.8.33,181-198,369-371.[6] 金勇进主编.数字中国[M].北京:人民出版社,2008.11.299.[7] 郝益东.中国住房观察与国际比较(第二版)[ M].北京:中国建筑工业出版社,2010.24,60,125-134.[8] 赵媛媛.河北省商品住宅价格影响因素分析[J].河北农业大学,2008.[9] Poterba J.M. House Price Dynamics:The Role of Tax Policy and Demograpy [J].Brookings Papers on Ecomomic Activity,1991,143-148.[10] Peter Fortura,Joseph Kushner.Canadian lnter-City House Price Differentials [J].ARELTEAJournal,2006,213-216.Model of House Price Based on Regression Analysisand PredictionWang Sai(Grade 08,Class 1, Major Mathematics and applied mathematics, Mathematics and Computer Science Dept., Shaanxi University of Technology, Hanzhong 723000, Shaanxi)Tutor: Li XiaokangAbstract:Collect several representative national cities and the main factors which affects house price, build a mathematical model of house price--multiple linear regression model. Firstly, use the information gain method to find out the main factors of influencing house price, to determine the model, using the least square method to determine the parameters of the model, with regression analysis to identify the model precision and inspection, so as to get a full mathematical model. Then, use the datas to set up the fitted curve, predict the future four years which influences Beijing house price most and the housing price movements, and make quantitative analysis; lastly, according to the model and suggestions make reasonable forecast, analyzes the advantages and disadvantages of model and puts forward improving directions, and give suggestions of preventing house price’s increasing.Key words:House price problem; Regression model; Fitting curve; Predictions; Economic development参考：毕业论文（设计）工作记录及成绩评定册题目：学生姓名：学号：专业：班级：指导教师：职称：助理指导教师：职称：年月日实验中心制使用说明一、此册中各项内容为对学生毕业论文（设计）的工作和成绩评定记录，请各环节记录人用黑色或蓝色钢笔（签字笔）认真填写（建议填写前先写出相应草稿，以避免填错），并妥善保存。

全国房价及部分地区房价分析报告全国房价及部分地区房价分析报告一、全国房价概况2000年，我国房地产市场经历了较为平稳的发展，房价整体上呈现出稳定增长的趋势。

根据数据统计，全国平均房价约为每平方米8000元，相较于1999年的7200元，上涨了约11.11%。

二、北上广深等一线城市房价分析1.北京作为首都，北京的房价一直以来都非常高。

2000年，北京市的平均房价较去年有所上升，为每平方米13000元左右。

这主要得益于政府的扶持政策和不断增长的经济实力。

同时，北京市的人口流动也是一个重要因素，不断涌入的人口对房地产市场的需求推动了房价上涨。

2.上海作为我国经济中心，上海的房价一直以来都非常高昂。

2000年，上海市的平均房价约为每平方米14000元左右，较去年有所上升。

与北京类似，上海也受到政府政策和经济实力的影响。

3.广州广州作为南方的经济重镇，其房价也一直居高不下。

2000年，广州市的平均房价约为每平方米10000元左右，相对于一线城市来说较为适中。

4.深圳深圳是我国改革开放的先行者，一直以来都具有强大的经济发展实力。

2000年，深圳市的平均房价约为每平方米11000元左右，相较于上年有所上涨。

三、其他地区房价分析1.一些省会城市2000年，一些省会城市的房价也出现了较为明显的上涨。

例如，成都市、重庆市、南京市等省会城市的房价在2000年都有不同程度的上涨。

这些城市具有较强的经济实力和地理优势，吸引了大量的人口流入，推动了房价的上涨。

2.东部发达城市2000年，我国东部发达地区的城市房价也普遍上涨。

例如，厦门市、杭州市、青岛市等城市的房价较去年都有不同程度的上涨。

这些城市的经济发展迅速，对房地产市场需求旺盛，推动了房价上涨。

3.西部地区2000年，我国西部地区的房价整体上呈现出稳定增长的趋势。

虽然相对于东部发达地区来说还有一定的差距，但随着西部大开发战略的推进和西部经济的腾飞，西部地区的房价也有望逐渐提升。