南京市二手房定价模型及其应用

房地产评估师的估价模型与算法应用房地产评估师是负责对房地产进行估值和评估的专业人士。

他们使用各种估价模型和算法来确定房地产的市场价值，这些模型和算法在实践中被广泛运用。

本文将探讨房地产评估师常用的估价模型和算法，并介绍它们的应用。

一、市场比较法市场比较法是一种基于市场数据的估价方法。

房地产评估师通过对类似房地产交易的市场数据进行分析，找到与待估价房地产具有相似特征的房地产，在这些交易记录中寻找参考价格，从而确定待估价房地产的市场价值。

这种方法常用于住宅和商业物业的估价。

市场比较法的应用非常灵活，它能够照顾到房地产的特定特征和地理位置。

然而，市场比较法的准确性取决于可用市场数据的质量和数量，也受到市场波动和交易价格的影响。

二、收益法收益法是一种基于预期收益的估价方法，适用于投资性房地产评估。

该方法通过对租金收益和资本增值进行估算，预测房地产未来的现金流，并计算出该房地产的净现值。

这种方法广泛应用于商业物业和租赁物业的估价。

收益法的关键在于正确预测未来现金流和合理确定折现率。

为了准确估计未来现金流，房地产评估师需要考虑房地产的租金、空置率、运营成本等因素。

而折现率主要由市场利率、风险因素和投资者的预期收益率等确定。

三、重建成本法重建成本法是一种基于重建费用的估价方法。

该方法适用于无法直接参考市场交易数据或收益数据的情况，如土地估价、特殊用途物业和古建筑等。

房地产评估师通过计算房地产的重建成本，包括劳动力成本、材料成本、建筑费用等，来确定房地产的市场价值。

重建成本法的关键在于准确确定重建成本。

为了保证成本准确性，评估师需要考虑材料价格、劳动力成本、建筑要求等因素。

同时，评估师还需要注意保险价值和折旧因素对估价的影响。

四、机器学习算法在房地产估价中的应用随着技术的发展，机器学习算法在房地产估价领域得到了广泛应用。

通过对大量数据的学习和模式识别，机器学习算法可以自动识别关键影响房地产价值的因素，并进行准确的估价。

基于特征价格模型的南京市住宅价格实证分析徐丽;简迎辉【摘要】城市住宅是一种典型的异质性商品,国内外学者普遍采用特征价格模型进行研究.特征价格模型的理论基础主要来源于Lancaster的消费者理论和Rosen的市场供需均衡模型.以往基于特征价格模型的城市住宅研究大多从建筑、邻里、区位三个维度进行建模分析,却忽略了消费者的感知维度,因此文章在这三个维度的基础上,加入消费者感知维度构建两阶段模型,这也是本文的创新之处.同时结合文献和访谈选取14个住宅特征作为自变量,以南京市六个主城区为例,采用30多个小区的500多套二手房挂牌数据资料,基于对数函数形式构建了南京市住宅特征价格模型.通过模型检验和回归分析发现,有13个住宅特征变量对价格有显著影响,并结合数据对住宅特征价格弹性进行了分析.【期刊名称】《土木工程与管理学报》【年(卷),期】2015(032)004【总页数】5页(P85-89)【关键词】消费者感知;城市住宅;特征价格模型【作者】徐丽;简迎辉【作者单位】河海大学商学院,江苏南京211100;河海大学商学院,江苏南京211100【正文语种】中文【中图分类】F293.3城市住宅是一种典型的异质性商品，即使两宗建筑结构、内部装修格局完全相同的住宅，也会因为所处区位、外部景观环境等的不同而表现出一定的差异性。

对于异质性商品，国外学者普遍采用特征价格模型(Hedonic Price Model)进行研究。

普遍认为，特征价格模型起源于Lancaster的偏好理论和Rosen的市场供需均衡模型，认为商品是由一系列内在属性构成的，每一个属性对应着一个隐含价格，商品价格是所有隐含价格综合作用的结果。

因此住宅价格是所有属性或特征的隐含价格之和［1，2］。

国外很多学者运用特征价格模型对城市住宅价格进行研究。

Bowes等［2，3］研究了城市轨道交通对住宅价格的影响，发现住宅价格随着离地铁站点距离的不同而变化；Bond等［4，5］研究了伊利湖景对住宅价格的影响，相对于没有湖景的住宅，拥有湖景的住宅价格增加约89.9%的附加值； Thomas等［6，7］研究发现芝加哥的学校质量对住宅价格有很大的影响。

基于时间序列分析南京市二手房的定价模型作者：周洪伟来源：《科教导刊》2016年第29期摘要由于房地产普遍具有较强的异质性、不易流动性、不可分割性等特征，致使对二手房资产的定价研究难度较大。

时间序列分析是处理动态问题的一种重要的数学工具，而二手房的价格波动显然与时间相关，本人利用从搜房网上搜集的南京地区的2013年2月-2015年2月的二手房房价数据，利用时间序列分析作为工具建立了二手房价格预测的随机性模型；并把预测的价格和实际价格作了对比分析，研究发现两者的误差较小，对二手房交易的买卖双方能够提供一些合理的参考价值。

关键词二手房时间序列模型定价中图分类号：F830 文献标识码：A DOI：10.16400/ki.kjdkz.2016.10.067Abstract As a result of real estate generally has a strong heterogeneity， is not easy to mobility，non segmentation and other features， resulting in the price of second-hand housing assets is difficult to study. Time series analysis is to deal with dynamic problems an important mathematical tool， and fluctuations in the price of second-hand housing obviously and time related， I use from Soufangwang collected in Nanjing area in February 2013 2015 February second-hand housing prices data， using time series analysis as a tool to establish the second-hand housing prices to predict the random model； and at the analysis and comparison of the predicted and actual price， the study found that a smaller error of both， to second-hand housing transactions， the seller and the buyer can provide some reference value.Keywords second-hand houses； time series； model； pricing笔者从搜房网房天下（http：//）搜集了南京地区的二手房房价数据，得出南京二手房房价各个月份的平均价格，借此数据利用Excel和Eviews软件对南京二手房房价序列数据进行时间序列分析。

二手房购买的房屋评估与估价方法随着经济的不断发展，越来越多的人开始选择购买二手房作为自己的住所或投资对象。

而在二手房购买过程中，房屋评估与估价就显得尤为重要。

本文将介绍二手房购买中的房屋评估与估价方法，以帮助读者在房屋交易中做出明智的决策。

一、房屋评估的意义与重要性房屋评估是指对房产进行价值估计和质量评定的过程。

在二手房购买中，通过房屋评估可以了解该房产的真实市场价值，并评估其质量、装修、维护情况等。

这对于买家来说非常重要，可以帮助他们确定是否是一个值得投资的房产，以及决定购买价格的合理范围。

二、房屋评估的方法1. 市场比较法（Sales Comparison Approach）市场比较法是最常用的房屋评估方法之一。

该方法通过比较相同地区、相似类型的房屋的市场价格来确定要评估房产的价值。

评估师会搜集并分析最近成交的类似房屋的市场交易数据，并结合该房产的特点和条件进行综合分析，得出一个相对准确的房屋评估价值。

2. 收益法（Income Approach）收益法主要适用于投资性房产的评估。

该方法基于租金收入和投资回报率来评估房产的价值。

评估师会根据实际的租金情况和市场回报率，计算出房产未来的现金流，再折现到现值，从而得出房产的评估价值。

这种方法适用于出租房屋、商业物业等情况。

3. 成本法（Cost Approach）成本法主要适用于新建或几乎全新的房屋，或没有可比较销售数据的情况下的评估。

该方法通过计算重建成本或再生产成本，减去折旧或损耗，得出房屋评估价值。

这种方法着重考虑房屋的实际产值，而非市场价值。

三、房屋估价的方法房屋估价是在房屋评估的基础上，运用不同的计算模型和工具，得出房屋的具体估价结果。

下面介绍几种常用的房屋估价方法：1. 自由估价法自由估价法是最简单、常用的估价方法之一。

买家或卖家可以根据个人经验和感觉，结合对市场的了解，对房屋进行主观估价。

然而这种方法主观性较强，容易受市场情绪和个人主观因素影响，估价结果可能存在较大误差。

２０２０年１０月第３６卷㊀第５期江苏第二师范学院学报ＪｏｕｒｎａｌｏｆＪｉａｎｇｓｕＳｅｃｏｎｄＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙＯｃｔ.２０２０Ｖｏｌ.３６㊀Ｎｏ.５基于Ｂｏｘ－Ｃｏｘ变换的南京市二手房房价模型实证分析∗刘㊀冰１㊀金跃强１㊀李朝阳２(１.南京工业职业技术大学公共基础课部ꎬ江苏南京㊀２１００４３ꎻ２.河南工业大学管理学院ꎬ河南郑州㊀４５０００１)㊀㊀[摘㊀要]㊀通过对南京８个区１５９８０个二手房数据进行描述分析ꎬ我们发现地铁㊁学区㊁区域等相关因素对单位面积房价具有重要影响ꎮ通过建立房价影响因素的线性回归模型ꎬ再利用Ｂｏｘ－Ｃｏｘ变换对模型进行改进ꎬ最终确定采用Ｂｏｘ－Ｃｏｘ交互回归模型来刻画各因素和单位面积房价的关联ꎮ实证研究结果表明:学区和区域两个因素对单位面积房价影响较大ꎬ面积和房龄对房价有负影响ꎬ 学区优势 对各区域单位面积房价影响有所区别ꎮ此模型揭示了南京市二手房价的内在规律并给购房者和卖房者对二手房的估价提供了理论依据ꎮ[关键词]㊀南京市ꎻ㊀单位面积房价ꎻ㊀０－１变量ꎻ㊀多元回归模型ꎻ㊀Ｂｏｘ－Ｃｏｘ变换[中图分类号]㊀Ｆ７２４.７[文献标识码]㊀Ａ[文章编号]㊀１６７１－１６９６(２０２０)０５－００８１－０５㊀㊀一㊁引言随着我国经济持续稳定的发展及人均收入的不断提高ꎬ人们对住房的需求也日益增加ꎬ房价也随之不断攀升ꎮ以南京为例ꎬ２００５年城中新房住宅均价为７８５１元/㎡ꎬ到了２０１５年城中新房均价已涨到２８０６１元/㎡ꎬ十年间房价上涨了２５７.４％ꎮ近些年来ꎬ许多学者对房价影响因素进行了研究:周尔民(２０１６)等利用２００５ ２０１３年数据ꎬ就宏观经济㊁房地产行业㊁人口和市场需求水平等ꎬ利用Ｒ语言找到了影响房价的主要因素[１]ꎻ薛建谱(２０１３)等利用因果检验㊁长期均衡模型和误差修正模型ꎬ从房价泡沫问题出发研究了我国房价ꎬ得出了短期内收入和股价变动对房价影响显著性较强ꎬ长期内人均收入㊁造价和股价对房价影响显著性较强的结论[２]ꎻ王志(２０１４)等研究了城市人口㊁工资收入㊁城市土地供应等因素对房地产供求关系的影响ꎬ得出了２００２ ２００８年中国除几个沿海城市外其他主要城市中供求关系的变化在实际住房价格升值的占有很大比重的结论[３]ꎻＢａｌｄｉＧ(２０１４)利用房地产业的新凯恩斯主义动态随机一般均衡模型ꎬ探讨了在家庭借贷约束冲击和偏好冲击导致房价上涨和住房部门的扩张的情况下ꎬ央行通胀对房价以及自身产出增长率的影响[４]ꎻＫｉｅｒａｎＭｃＱｕｉｎｎ(２００８)等分析了银行可贷款额与房价之间的联系ꎬ推导出收入㊁利率与房价之间的相互关系ꎬ建立了房价影响因素的模型并用爱尔兰房地产市场数据进行了验证[５]ꎮ上述的研究主要从宏观经济㊁供求关系等方面研究了整个房地产行业ꎮ本文从二手房自身特征出发ꎬ利用Ｂｏｘ－Ｃｏｘ变换对南京市二手房数据进行研究ꎬ通过建立南京市二手房单位面积房价影响因素模型ꎬ以便为购房者和卖房者对二手房的估价提供理论依据ꎮ１８∗[基金项目]国家自然科学基金青年项目 职业成就与性别差异的微观机理:基于 偏好 信念 行为 的实验研究 (项目编号:７１６０２０５１)ꎬ南京工业职业技术大学重点科研基金项目 基于大数据与Ｂｏｘ－Ｃｏｘ变换的南京二手房房价影响因素分析 (项目编号:ＹＫ１７－１０－０２)ꎮ[收稿日期]２０２０－０２－１０[作者简介]刘㊀冰ꎬ男ꎬ山东青岛人ꎬ南京工业职业技术大学公共基础课部讲师ꎬ统计师ꎮ金跃强ꎬ男ꎬ安徽来安人ꎬ南京工业职业技术大学公共基础课部副教授ꎬ统计师ꎮ李朝阳ꎬ男ꎬ河南漯河人ꎬ河南工业大学管理学院副教授ꎬ管理学博士ꎮ二㊁Ｂｏｘ－Ｃｏｘ变换介绍经典的线性回归模型为:ｙ＝β０＋β１ｘ１＋β２ｘ２＋ ＋βｐｘｐ＋ε其中β０为回归常数ꎬβ１ꎬ ꎬβｐ为回归系数ꎬε为误差项ꎮ这里对误差项有着零期望㊁等方差㊁零协方差的正态分布的要求ꎮ但在建立实际问题的模型时ꎬ经常存在误差项与假设违背的情况ꎬ为使误差项满足要求ꎬ经常对ｙ进行变量变换ꎮＢｏｘ－Ｃｏｘ变换就是一种常用的变换ꎮＢｏｘ－Ｃｏｘ变换是由Ｂｏｘ和Ｃｏｘ在１９６４年提出的一种应用广泛的变换ꎬ具体对因变量ｙ做如下变换:ｙ(λ)＝ｙλ－１λꎬ㊀λʂ０ｌｎｙꎬ㊀㊀λ＝０ìîíïïï其中λ为待定参数ꎮ此变换要求ｙ的各分量都大于０ꎬ否则可用下面推广的Ｂｏｘ－Ｃｏｘ变换:ｙ(λ)＝(ｙ＋ａ)λ－１λꎬ㊀λʂ０ｌｎ(ｙ＋ａ)ꎬ㊀㊀λ＝０ìîíïïï即先对ｙ做平移ꎬ使得ｙ＋ａ各个分量都大于０后再做Ｂｏｘ－Ｃｏｘ变换ꎮ它包含了对数变换㊁倒数变换等一些常用的变换ꎬ通过此变换寻找合适的λꎬ使得变换后的ｙ(λ)~Ｎｎ(Ｘβꎬσ２Ｉ)ꎮＢｏｘ－Ｃｏｘ变换中参数λ通常可由极大似然估计给出ꎬ当固定参数λ的取值时ꎬβꎬσ２的似然函数为:Ｌ(βꎬσ２)＝ｅｘｐ(－１２σ２(ｙ(λ)－Ｘβ)ᶄ(ｙ(λ)－Ｘβ))(２πσ２)π/２Ｊ(λꎬｙ)(１)其中ꎬＪ(λꎬｙ)＝ᵑｎｉ＝１ｄｙｉ(λ)ｄｙｉ＝ᵑｎｉ＝１ｙｉλ－１ꎮＬ(βꎬσ２)分别对βꎬσ２求偏导ꎬ并令其为０ꎬ可得βꎬσ２的最大似然估计为:β＾(λ)＝(ＸᶄＸ)－１ＸＹ(λ)ꎬσ２＾(λ)＝Ｙ(λ)ᶄ(Ｉ－Ｘ(ＸᶄＸ)－１Ｘᶄ)Ｙ(λ)ｎꎮ其中σ２＾(λ)为模型均方误差ＭＳＥ(λ)ꎮ将βꎬσ２的最大似然估计β＾(λ)ꎬσ２＾(λ)代入式(１)ꎬ得到似然函数的最大值为:Ｌｍａｘ(λ)＝Ｌ(β＾(λ)ꎬσ２＾(λ))＝２π－ｎ/２(ＭＳＥ(λ))－ｎ/２Ｊ(λꎬｙ)对一系列λ取值ꎬ似然函数的最大值Ｌｍａｘ(λ)取最大时对应的λꎬ就是Ｂｏｘ－Ｃｏｘ变换中参数λ的估计值ꎮ三㊁南京二手房房价模型构建１.变量说明本文数据采集时间为２０１８年３月ꎬ通过预处理最终选取了１５９８０条记录ꎬ数据共包含１１个变量㊁５个连续变量㊁６个离散变量ꎮ其中单位面积房价为因变量ꎬ其余为自变量ꎬ具体说明如表１:表１㊀数据变量说明表变量名称详细说明取值范围单位面积房价(ｙ)单位:元/平方米１５０１３~６４９８９卧室数(ｘ１)单位:个１~６厅数(ｘ２)单位:个０~４面积(ｘ３)单位:平方米２４.２４~３０１.２９房龄(ｘ４)单位:年０~４３是否学区(ｘ５)无学区㊁有学区０㊁１是否有电梯(ｘ６)无电梯㊁有电梯０㊁１是否临近地铁(ｘ７)不临近地铁㊁临近地铁０㊁１是否装修(ｘ８)无装修㊁有装修０㊁１楼层(ｘ９ꎬｘ１０)低楼层㊁中楼层㊁高楼层０㊁１㊁２区域(ｘ１１~ｘ１７)鼓楼㊁秦淮㊁玄武㊁雨花台㊁栖霞㊁江宁㊁建邺㊁浦口１㊁２㊁３㊁４㊁５㊁６㊁７㊁８㊀㊀由于楼层这一定性变量有３个取值ꎬ不能简单地给３个类别直接赋值ꎬ本文以高楼层作为基准ꎬ引入两个０ １变量[６]２３５－２６５:ｘ９＝１㊀是低楼层０㊀否低楼层{㊀㊀ｘ１０＝１㊀是中楼层０㊀否中楼层{对于区域这一８个取值的定性变量ꎬ同样以浦２８口作为基准ꎬ引入７个０ １变量ｘ１１~ｘ１７进行处理ꎮ２.变量描述统计不同的二手房具有不同的特征ꎬ这些特征共同决定二手房房价ꎮ在对单位面积房价影响因素模型建立之前ꎬ首先对各变量进行描述分析ꎬ从而对单位面积房价影响因素进行初步判断ꎬ为后续研究做铺垫ꎮ图１㊀单位面积房价直方图本文中ꎬ单位面积房价最低值为１５０１３元/平方米ꎬ所对应的是江宁区江南青年城青楚门的一套非学区房ꎬ总面积４９.９６平方米ꎻ单位面积房价最高值为６４９８９元/平方米ꎬ所对应的是鼓楼区西康新村的一套学区房ꎬ总面积３８.９３平方米ꎮ从图１可以看出:单位面积房价呈现右偏分布ꎬ说明极少数价格高的住房拉高了房价的平均水平ꎬ这点从单位面积房价均值为２９８４２.７３元/平方米ꎬ中位数为２７６８９元/平方米也可以得到印证ꎮ从图２可以看出:有学区住房的单位面积房价明显高于无学区住房的单位面积房价ꎻ有地铁住房的单位面积房价明显高于无地铁住房的单位面积房价ꎬ因此学区和地铁是影响单位面积房价的两个重要因素ꎮ图２㊀学区、地铁与单位面积房价关联对于其他自变量ꎬ也可以类似讨论ꎮ总之ꎬ引入模型的变量都是和二手房单位面积房价有密切关系ꎬ至于对房价影响是否显著ꎬ可以通过模型显著性检验进行判断ꎮ３.二手房房价模型建立及模型诊断首先建立简单的线性回归模型ꎮ将所有变量录入ＳＰＳＳ２０.０ꎬ得到南京二手房房价回归模型ꎬ如表２ꎮ表２㊀回归系数及显著性检验表变量回归系数Ｐ值变量回归系数Ｐ值常数１６０８１.５３３０.０００低层(ｘ９)１５４９.９０７０.０００卧室数(ｘ１)８１９.９８８０.０００中层(ｘ１０)１４０５.２３３０.０００厅数(ｘ２)１７８０.９８３０.０００鼓楼(ｘ１１)１６５６８.８７９０.０００面积(ｘ３)－１９.７２７０.０００秦淮(ｘ１２)１１１６４.００６０.０００房龄(ｘ４)－３１０.９５８０.０００玄武(ｘ１３)１１３９７.９２９０.０００学区房(ｘ５)４４８５.０５３０.０００雨花台(ｘ１４)７２５５.７７００.０００电梯房(ｘ６)１３４８.７６４０.０００栖霞(ｘ１５)６２００.５４４０.０００地铁房(ｘ７)２１０７.２９５０.０００江宁(ｘ１６)３４５５.３３２０.０００装修房(ｘ８)２０７６.４２８０.０００建邺(ｘ１７)１６０２０.９１８０.０００㊀㊀模型中决定系数Ｒ２为０.４９７ꎬ拟合优度尚可ꎻ并且Ｆ值为９２７.８２２ꎬ对应的概率Ｐ值为０.０００小于０.０１ꎬＦ检验应该拒绝原假设ꎬ引入的１７个自变量在０.０１的显著水平下总体上对因变量有显著性影响ꎮ每个自变量对应的概率Ｐ值均小于０.０１ꎬ说明引入的每个自变量在０.０１的显著水平下均对因变量有显著影响ꎮ接下来对模型进行诊断ꎮ表２中ＤＷ值１.９１４在２附近ꎬ说明模型无自相关ꎻ最大ＶＩＦ值３.６８２小于１０ꎬ说明模型无多重共线性ꎮ由图３可知ꎬ随着拟合值的增大ꎬ残差和标准化残差也随之增大ꎬ说明模型可能存在异方差问题ꎻ标准化残差和标３８图３㊀线性回归模型诊断图准直线偏离较大ꎬ说明误差项可能不服从正态分布ꎮ为了解决这些问题ꎬ本文考虑对模型进行改进ꎮ由于线性回归模型误差项违背了基本假设ꎬ本文采取Ｂｏｘ－Ｃｏｘ变换来解决这一问题ꎮ将λ一系列取值录入ＳＰＳＳ２０.０ꎬ可知当λ取－０.６时Ｌｍａｘ(λ)最大ꎬ即对因变量做Ｂｏｘ－Ｃｏｘ变换ｙ(－０.６)＝ｙ－０.６－１－０.６ꎮ把ｙ(－０.６)作为因变量ꎬ对自变量做线性回归ꎬ得到Ｂｏｘ－Ｃｏｘ变换下的南京市二手房房价模型ꎬ如表３ꎮ表３㊀Ｂｏｘ－Ｃｏｘ回归系数及显著性检验表变量系数(ˑ１０－４)Ｐ值变量系数(ˑ１０－４)Ｐ值常数１６６２１.１９４０.０００低层(ｘ９)１.０４４０.０００卧室数(ｘ１)０.５５１０.０００中层(ｘ１０)１.０３９０.０００厅数(ｘ２)１.３７９０.０００鼓楼(ｘ１１)１１.２４３０.０００面积(ｘ３)－０.０１８０.０００秦淮(ｘ１２)８.４４５０.０００房龄(ｘ４)－０.２０３０.０００玄武(ｘ１３)８.４９４０.０００学区房(ｘ５)２.５５５０.０００雨花台(ｘ１４)５.９４６０.０００电梯房(ｘ６)０.９３８０.０００栖霞(ｘ１５)５.１７３０.０００地铁房(ｘ７)１.５３１０.０００江宁(ｘ１６)３.０１７０.０００装修房(ｘ８)１.５２９０.０００建邺(ｘ１７)１０.８４９０.０００㊀㊀模型中决定系数Ｒ２为０.５１３ꎬ拟合优度有所提高ꎻ并且Ｆ值为９８９.２８５ꎬ对应的概率Ｐ值为０.０００小于０.０１ꎬＦ检验应该拒绝原假设ꎬ引入的１７个自变量在０.０１的显著水平下总体上对因变量有显著性影响ꎮ每个自变量对应的概率Ｐ值均小于０.０１ꎬ说明引入的每个自变量在０.０１的显著水平下均对因变量有显著影响ꎮ表３中ＤＷ值１.９０３在２附近ꎬ说明模型无自相关ꎻ最大ＶＩＦ值３.６８２小于１０ꎬ说明模型无多重共线性ꎮ由图４可知ꎬＢｏｘ－Ｃｏｘ回归模型相对于线性回归模型异方差得到了极大的改善ꎻ残差ＱＱ图上的点也大体在一条直线附近ꎬ说明误差服从正态分布ꎻＣｏｏｋ距离表现正常ꎬ说明模型没有异常点ꎮ因此ꎬ使用Ｂｏｘ－Ｃｏｘ回归模型刻画单位面积房价与自变量之间的关系更合理ꎮ根据Ｂｏｘ－Ｃｏｘ回归模型结果ꎬ学区和区域会使单位面积房价存在显著差异ꎬ所以ꎬ在Ｂｏｘ－Ｃｏｘ回归模型的基础上ꎬ本文考虑学区和区域交互作用ꎬ建立Ｂｏｘ－Ｃｏｘ交互回归模型ꎬ结果如表４ꎮ当考虑了 区域ˑ学区 的交互效应时ꎬ一个明图４㊀Ｂｏｘ－Ｃｏｘ回归模型诊断图显的变化是:学区房变量系数估计成为负数ꎮ因为 区域 区域ˑ学区 两个变量的基准组是浦口ꎬ所以对应的结论为:在浦口区ꎬ非学区房价格反而比学区房单位面积房价高(这一结论在原数据中也能得到体现)ꎮ造成 浦口区非学区房价格反而比学区房单位面积房价高 的主要原因有二:第一ꎬ样本中浦口学区房比例较低ꎬ只有１９.５％ꎻ第二ꎬ与其他区域相比ꎬ浦口学区资源相对较差ꎮ４８表４㊀ｂｏｘ－ｃｏｘ交互回归系数及显著性检验表变量系数(ˑ１０－４)Ｐ值变量系数(ˑ１０－４)Ｐ值常数１６６２２.２０７０.０００玄武(ｘ１３)７.６１００.０００卧室数(ｘ１)０.５７３０.０００雨花台(ｘ１４)４.４６１０.０００厅数(ｘ２)１.４６１０.０００栖霞(ｘ１５)３.８７４０.０００面积(ｘ３)－０.０２１０.０００江宁(ｘ１６)２.２６００.０００房龄(ｘ４)－０.２１００.０００建邺(ｘ１７)１０.１１７０.０００学区房(ｘ５)－１.６１５０.０００鼓楼学区(ｘ１８)５.９６４０.０００电梯房(ｘ６)０.８５２０.０００秦淮学区(ｘ１９)３.８７６０.０００地铁房(ｘ７)１.６９４０.０００玄武学区(ｘ２０)４.３５１０.０００装修房(ｘ８)１.４７４０.０００低层(ｘ９)１.０３００.０００雨花台学区(ｘ２１)６.２７２０.０００中层(ｘ１０)１.０１８０.０００栖霞学区(ｘ２２)５.５２３０.０００鼓楼(ｘ１１)９.８８５０.０００江宁学区(ｘ２３)３.７７４０.０００秦淮(ｘ１２)７.７４４０.０００建邺学区(ｘ２４)３.９４５０.０００㊀㊀模型中决定系数Ｒ２为０.５３４ꎬ拟合优度较好ꎻ并且模型通过了Ｆ检验和ｔ检验ꎬ且无自相关及多重共线性ꎮ因此ꎬ本文最终确定用Ｂｏｘ－Ｃｏｘ交互回归模型刻画单位面积房价与自变量之间的关系ꎮ将ｙ(－０.６)＝ｙ－０.６－１－０.６代入ꎬ还原为原始变量的方程为:ｙɡ＝(２６６７.５６５－３４.３５３ｘ１－８７.６８４ｘ２＋１.２４８ｘ３＋１２.５７８ｘ４＋９６.８９８ｘ５㊀㊀－５１.１２４ｘ６－１０１.６１５ｘ７－８８.４０８ｘ８－６１.８０９ｘ９－６１.０５６ｘ１０㊀㊀－５９３.０７１ｘ１１－４６４.６１４ｘ１２－４５６.６１ｘ１３－２６７.６６８ｘ１４－２３２.４３１ｘ１５㊀㊀－１３５.６１９ｘ１６－６０６.９８８ｘ１７－３５７.８６２ｘ１８－２３２.５２９ｘ１９－２６１.０７９ｘ２０㊀㊀－３７６.３１４ｘ２１－３３１.３７５ｘ２２－２２６.４４４ｘ２３－２３６.７０８ｘ２４)－５３ˑ１０１０㊀㊀㊀(２)㊀㊀四㊁小结通过引入卧室数等十个变量对南京市二手房单位面积房价进行分析ꎬ给出了单位面积房价影响因素的线性回归模型ꎬ并利用Ｂｏｘ－Ｃｏｘ变换对模型进行改进ꎬ最终确定采用Ｂｏｘ－Ｃｏｘ交互回归模型来刻画各因素和单位面积房价的关联ꎮ从模型中可以看出:第一ꎬ学区和区域两个因素对单位面积房价影响较大ꎻ地铁㊁装修㊁厅数㊁楼层㊁电梯㊁卧室数次之ꎻ面积和房龄对单位面积房价有负影响ꎮ第二ꎬ 学区优势 对各区域单位面积房价影响有所区别ꎮ鼓楼㊁雨花台和栖霞区的学区房房价明显高于非学区房房价ꎻ但浦口区学区房价格反而比非学区房房价低ꎮ本文建立的Ｂｏｘ－Ｃｏｘ交互回归模型ꎬ不但引入的自变量均通过了显著性检验ꎬ而且误差项满足经典回归模型的零期望㊁等方差㊁零协方差和正态分布的要求ꎮ由于影响单位面积房价的因素有很多ꎬ比如国家政策㊁土地供应㊁周边配套㊁小区环境等ꎬ在未来的研究中可以继续加入这些因素ꎬ使模型更精确ꎮ[参考文献][１]周尔民ꎬ朱进ꎬ王贵用.房价影响因素模型的构建与实证分析 以江西省为例[Ｊ].兰州财经大学学报ꎬ２０１６(４):３４－４３.[２]薛建谱ꎬ王卫华.基于均衡模型的我国商品房价格影响因素分析[Ｊ].统计与决策ꎬ２０１３(１):１１８－１２１.[３]ＷＡＮＧＺꎬＺＨＡＮＧＱ.ＦｕｎｄａｍｅｎｔａｌｆａｃｔｏｒｓｉｎｔｈｅｈｏｕｓｉｎｇｍａｒｋｅｔｓｏｆＣｈｉｎａ[Ｊ].ＪｏｕｒｎａｌｏｆＨｏｕｓｉｎｇＥ￣ｃｏｎｏｍｉｃｓꎬ２０１４(２５):５３－６１.[４]ＢＡＬＤＩＧ.Ｔｈｅｅｃｏｎｏｍｉｃｅｆｆｅｃｔｓｏｆａｃｅｎｔｒａｌｂａｎｋｒｅ￣ａｃｔｉｎｇｔｏｈｏｕｓｅｐｒｉｃｅｉｎｆｌａｔｉｏｎ[Ｊ].ＪｏｕｒｎａｌｏｆＨｏｕｓｉｎｇＥｃｏｎｏｍｉｃｓꎬ２０１４(Ｃ):１１９－１２５.[５]ＭＣＱＵＩＮＮＫꎬＯ ＲＥＩＬＬＹＧ.ＡｓｓｅｓｓｉｎｇｔｈｅｒｏｌｅｏｆｉｎｃｏｍｅａｎｄｉｎｔｅｒｅｓｔｒａｔｅｓｉｎｄｅｔｅｒｍｉｎｉｎｇＩｒｉｓｈｈｏｕｓｅｐｒｉｃｅｓ[Ｊ].ＥｃｏｎｏｍｉｃＭｏｄｅｌｌｉｎｇꎬ２００８(３):３７７－３９０.[６]何晓群ꎬ刘文卿.应用回归分析(第三版)[Ｍ].北京:中国人民大学出版社ꎬ２０１１.(责任编辑㊀光㊀翟)５８。

房地产评估师的估价模型与算法应用估价模型和算法是房地产评估师在进行房地产估值过程中的重要工具。

合理的估价模型和准确的算法可以提高评估师的工作效率，确保估值结果的准确性。

本文将介绍几种常用的房地产估价模型和算法，并分析其应用。

一、销售比较法销售比较法是一种根据历史交易数据对目标房地产进行估值的方法。

评估师通过对市场上与目标房地产相似的房屋进行比较，确定某个特征对房地产价格的影响程度，并通过回归分析确定价格预测模型。

销售比较法的优势在于简单易行，但也存在数据不准确、市场变动等问题。

二、收益资本化法收益资本化法是一种根据房地产未来收益进行估值的方法。

评估师根据房地产的租金收益以及预期的增长率，利用资本化率将未来现金流转换为预期的房地产市值。

收益资本化法适用于租金稳定的商业地产，但对于居住性房地产可能不太适用。

三、成本法成本法是一种根据房地产重建成本进行估值的方法。

评估师通过计算房地产的重建成本，再考虑建筑物的损耗和折旧程度来确定房地产的价值。

成本法适用于新建项目和特殊用途房地产的估值，但在经济衰退和市场变动时可能不太准确。

四、人工智能算法近年来，随着人工智能技术的发展，人工智能算法在房地产估值领域得到了广泛的应用。

评估师可以利用机器学习和深度学习算法分析大量的市场数据，提取关键特征，并建立准确的估价模型。

人工智能算法具有较高的准确性和效率，但对于数据的质量和准确性要求也更高。

综上所述，房地产评估师的估价模型与算法应用多种多样，根据具体情况选择合适的方法是至关重要的。

无论是销售比较法、收益资本化法、成本法还是人工智能算法，都有其适用的场景和限制。

评估师需要结合具体的估值对象和市场环境，综合运用这些模型和算法，以提高估值的准确性和可靠性。

基于VAR模型的南京市房价与地价关系的实证研究
张桂娟; 於忠祥
【期刊名称】《《经济研究参考》》
【年(卷),期】2012(000)029
【摘要】一、房价与地价的研究概况房地产价格包含了土地价格和建筑物价格，但却不是简单地将二者价格相加即可。

土地价格是房地产价格的基础，房地产价格包含了土地价格，土地价格则是隐含于房地产价格之中。

随着房地产业的蓬勃发展，对于房价与地价之间的关系，众多学者和专家分别从不同的角度提出了各自的观点，对房价与地价之间的因果关系的争议颇受关注。

目前，在房价与地价的关系研究方面，主要有以下几种观点：
【总页数】4页(P62-65)
【作者】张桂娟; 於忠祥
【作者单位】安徽农业大学经济管理学院
【正文语种】中文
【相关文献】
1.基于格兰杰因果关系检验模型的地价与房价关系分析——对深圳市的实证研究[J], 游和远;谭术魁;林宁
2.基于VAR模型的房价与地价关系的实证研究 [J], 杜建华
3.基于VAR模型的中国地价与房价内在关系的实证分析 [J], 周佳;李忠富
4.房价与地价关系的量化实证研究--以南京市为例 [J], 钟桂芬;郑新梅
5.南京市房价与地价关系的量化实证研究 [J], 钟桂芬;郑新梅
因版权原因，仅展示原文概要，查看原文内容请购买。

南京市住宅特征价格的分析——应用Hedonic模型
陈永霞;陈民强
【期刊名称】《淮阴工学院学报》
【年(卷),期】2009(018)004
【摘要】Hedonic价格模型是一种分析产品特征价格的计量经济学方法,在实际应用中可以用来分析住宅各种特征对价格的贡献程度,并通过构建Hedonic价格模型来研究住宅的特征与住宅价格的关系.应用Hedonic模型分析南京市住宅特征价格是在选取南京市3800个住宅样本的基础上,运用SPSS软件进行模型估计并对Hedonie价格模型的几种形式进行试算,选择最优模型形式,然后建立南京市住宅特征价格模型并用所选择的模型对南京市住宅价格进行回归分析,得到住宅特征的隐含价格,从而分析住宅特征对其价格的影响,在此基础上分析运用过程中应注意的问题并提出一些建议.
【总页数】7页(P55-61)
【作者】陈永霞;陈民强
【作者单位】南京林业大学土木工程学院,南京210037;漯河市房管局,河南漯河462000
【正文语种】中文
【中图分类】F293.35
【相关文献】
1.基于特征价格模型的南京市住宅价格实证分析 [J], 徐丽;简迎辉;
2.基于特征价格模型的南京市住宅价格实证分析 [J], 徐丽;简迎辉
3.基于Hedonic模型的低碳住宅价格研究与实证分析——以日照市某新型低碳商品住宅为例 [J], 付新月
4.基于Hedonic模型的兰州市二手房住宅特征价格研究 [J], 张旺锋;闫星羽;董瑞娜
5.基于Hedonic理论的住宅特征价格模型——以上海为例 [J], 刘璧婷;李星野因版权原因，仅展示原文概要，查看原文内容请购买。

如何通过房地产估价模型确定价格嘿，咱今天就来好好聊聊怎么通过房地产估价模型确定价格这事儿。

我先跟您说个我亲身经历的事儿。

有一回，我陪朋友去看一套二手房。

那房子在一个老小区，周边环境还算凑合，但小区的设施有点老旧。

我们一进去，就发现屋里的装修风格停留在上个世纪，墙壁有些泛黄，地板也嘎吱嘎吱响。

朋友挺心动的，可一问价格，他就有点傻眼了，卖家报的价可不低！这就让我想到了房地产估价模型的重要性。

要说房地产估价，那可不是一拍脑袋就能定的事儿。

这里面涉及到好多因素呢！首先，位置就是个大头。

比如说，在市中心的房子，交通方便，周边配套齐全，像有大商场、好学校、医院啥的，那价格自然就高。

要是在偏远郊区，出行不方便，周围啥也没有，价格就得打个折扣。

还有房子的面积和户型。

大户型的房子要是布局合理，每个房间都宽敞明亮，那肯定更受欢迎。

可要是那种小户型，设计得又不合理，住起来憋屈，价格也就上不去。

房屋的年龄和质量也很关键。

新盖的房子，各种设施都新，住起来舒服。

要是那种老房子，管道老化，线路也有问题，这都得算在价格里。

咱再说说房地产估价模型里的那些计算方法。

成本法就是算一下盖这个房子花了多少钱，再加上土地的价值啥的。

收益法呢，是看这个房子能带来多少收益，比如出租能收多少租金。

市场比较法就更直接了，找周边类似的房子，看看人家卖多少钱，来给自己的房子定价。

比如说，有个房子，位置不错，在一个繁华地段的新小区，100 平米的三居室，房子新，质量好。

我们用市场比较法，找了周边几个差不多的房子，发现均价都在每平米两万左右。

那咱这个房子，大概也能估个两百万上下。

再举个例子，要是个老房子，在郊区，面积 80 平米，户型一般。

我们用成本法算算，盖房子花了 50 万，土地值 30 万，再考虑到房子的折旧，可能也就值个 60 万左右。

不过，房地产估价可不能光看这些表面的东西。

政策因素也得考虑进去。

比如说，政府要是出台了限购政策，那房价可能就会受到影响。