下载文档原格式
基于特征价格模型(HPM)的房地产评估研究综述-行政管理基于特征价格模型(HPM)的房地产评估研究综述王娟娟毛博（中南财经政法大学工商管理学院湖北·武汉）摘要：我国“十三五”规划明确指出要加快经济社会各领域信息化，加强重要信息系统的建设，同时房地产产业亟需稳定发展。
因此数理统计模型在房地产应用的研究可以提高房地产评估的精准度和满足房地产批量评估的需求。
房地产的准确估价对推动房地产价格正常化、保障房地产公平交易、建立健康的房地产市场有着非常重要的意义。
房地产基于计算机辅助的自动批量评估不但可以提高房地产批量评估的效率，也可以促进房地产评估的信息化进程。
本文以发展的比较成熟的特征价格模型(HPM)在房地产中应用为主题做文献综述。
介绍了HPM如何应用于房地产评估，并对模型的指标、模型形式、模型检验方法的选择和改进进行了讨论。
接着就HPM在房地产评估中的应用和未来研究方向进行了阐述，分别从对接计算机应用技术、实现房地产产业信息化，将模糊数学、神经网络模型、层次分析法、主成分分析法等数学统计模型在HPM进行应用，非住宅类型的房地产价值的评估三个方面进行新的研究。
关键词：房地产评估；特征价格模型；批量评估一、引言2015年10月，我国“十三五”规划出台，其中明确指出加强土地、财税、金融政策调节、加快住房系统建设，完善符合国情的住房体制机制和政策体系、合理引导住房需求；加强市场监督，规范房地产市场秩序，抑制投机需求，促进房地产产业平稳健康发展。
同时，规划也强调全面提高信息化水平，推动信息化和工业化深度融合，加快经济社会各领域信息化。
加强重要信息系统建设，强化地理、人口、金融、税收、统计等基础信息资源开发利用。
房地产的准确估价对推动房地产价格正常化、保障房地产公平交易、建立健康的房地产市场有着非常重要的意义。
特征价格模型HPM( Hedonic Price Model)是一种通过特征价格来反映产品或者服务价格的模型。
影响房地产价格因素的分析学号：20091000891姓名：侯郡培伴随我国国民经济地飞速发展，住房消费占我国城镇居民消费的比重越来越高。
同时，随着城镇居民住房观念发生的重大转变、住房消费的有效启动、住房商品化新体制的基本确立、房地产投资的持续快速增长，以商品住宅为主的房地产业成为国民经济的重要支柱产业。
但当前我国房地产市场发展还很不平衡，在房地产业快速发展的同时出现许多如房地产泡沫现象等问题需要进行调控。
要进行有效调控就要判断哪些因素对房价有显著影响。
在众多影响因素中，供给和需求，土地成本、国民经济发展水平及贷款利率和城镇居民的可支配的收入等无疑对房价影响显著。
1. 供给和需求因素：供给因素: 影响房地产市场价格的供给因素指的是市场上房地产的供给数量。
由于房地产的一大特性是具有很强的区位性，区位是房地产的重要因素之一。
同时，由于面对的消费者支付能力差异巨大，为实现利润最大化，从经济学角度来看房地产供给者需要采取价格歧视的策略———对不同收入等级的消费者开发不同的房地产并对不同的人群设定不同的价格，这样才能实现房地产开发商的目标即获取尽可能多的利益。
从宏观角度分析在这里采取房地产的竣工面积作为房地产市场供给因素。
需求因素：房地产的需求主要分为自住需求和投资需求两部分。
从自住需求来看，主要的影响因素为家庭收入水平，同时由于房地产买卖需要的资金较多所以很多人就选择向银行贷款，借贷又会有利率，因此，利率水平也是影响自住需求的一个重要因素。
而从投资需求来看，房地产作为一项家庭最重要的固定资产，其购买者必然有动机将其作为一项长期投资产品，而影响房地产作为投资产品的，需求因素主要有收入水平、利率水平及对未来市场的预期。
2. 宏观经济和政策环境：与一般商品市场不同，房地产市场极易受到宏观经济环境的影响，宏观经济环境又可以分为宏观市场环境及宏观政策环境。
宏观市场环境包括货币供给量、通货膨胀水平、经济增长率。
而宏观政策环境则包括国家的相关调控政策如土地政策、信贷政策、税收政策等等。
利用机器学习算法预测房价走势方法比较研究机器学习在房价预测方面有广泛的应用，可以采用不同的算法来预测房价走势。
本文将对几种常见的机器学习算法进行比较研究，并介绍它们的优缺点。
1. 线性回归算法线性回归是一种基本的机器学习算法，它通过拟合线性函数来预测房价。
它的优点是简单易懂，计算速度快。
然而，线性回归对于非线性关系的数据拟合效果较差，无法捕捉到数据中的复杂模式。
因此，对于房价预测这样的复杂问题，线性回归算法效果较一般。
2. 决策树算法决策树是一种常用的机器学习算法，它通过构建树形结构来进行决策。
在房价预测中，决策树可以通过属性的排序来决定房价。
决策树算法的优点是易解释、易理解，可以处理非线性和多分类问题。
然而，决策树容易过拟合，需要进行剪枝等处理才能提高泛化能力。
3. 支持向量机算法支持向量机是一种常用的分类和回归算法，在房价预测中也有一定的应用。
支持向量机通过找到一个超平面来预测不同价格段的房价。
支持向量机算法的优点是可以处理高维数据、对异常值敏感度低。
然而，支持向量机可能受到数据集规模和噪声的影响，对于大型数据集预测效果较差。
4. 随机森林算法随机森林是一种集成学习算法，通过组合多个决策树来预测房价。
随机森林算法的优点是可以处理多维度和非线性数据，对于缺失数据具有较好的鲁棒性。
此外，随机森林也可以提供特征的重要性排序。
然而，随机森林算法需要较多的计算资源，且参数设置较为复杂。
5. 神经网络算法神经网络是一种模拟人脑结构的机器学习算法，在房价预测中也有一定的应用。
神经网络可以通过多层的节点来构建模型，从而捕捉数据中的复杂关系。
神经网络算法的优点是对于非线性问题有较好的适应性，可以自动提取特征。
然而，神经网络算法需要大量的数据来进行训练，且模型的解释性较差。
通过对上述几种机器学习算法的比较，可以看出每个算法都有各自的优缺点。
对于房价预测这样的复杂问题，没有一种算法可以完全胜任，选择合适的算法需要根据具体的数据和问题来决定。
房地产开发项目投资收收益测算模型作者：时间：2012年12月04日信息来源:经理人网众所周知，房地产属资金密集型行业，经营风险也很大，仅就单个房地产项目来说，其投资额少则数亿，多则上十几亿，可以说，一个项目投资失败，对企业的打击就是致命的。
因此，做好房地产项目投资收益管理十分重要。
根据自己的经验和体会，要做好房地产项目投资收益管理，应从以下四个方面进行。
一、构建适合企业的投资收益测算模型1. 建立投资收益模型的目的个人认为，建立投资收益模型，其目的有三个。
第一，跨区域发展时，保持多项目间的收益对比，指导投资决策。
第二，作为项目实施目标和实施效果评价标尺。
投资收益模型是企业在项目销售定价、项目投入甚至项目核心节点（如开盘、融资）等方面的重要目标；在项目结案后，还可将实际数据代入模型，对项目收益及管理团队业绩进行评价。
第三，规范投资收益测算、提高工作效率。
投资模型一旦建立，必将促进测算工作规范进行，同时，对不同项目测算时只需调整一些基础数据即可完成，可以大大提升测算效率。
2. 销售型物业投资收益测算模型关于销售型物业的经济评价指标很多，但归结起来，其核心指标关注两个，静态指标为销售利润率，动态指标为内部收益率。
要得出上述指标，将形成三张主表、若干辅表。
主表一：项目利润表。
本表为静态指标测算表，应按分期（分期下设产品形态）和分产品形态分别测算。
前者反映项目各期的利润状况，了解每期对项目利润贡献，特别是在项目比较大的情况下更应分期考虑。
后者反映每类产品形态对项目利润的贡献。
主表二：现金流量表。
本表为动态指标测算表，在内容上，分为现金流入、现金流出、现金净流入。
现金流入主要是销售回款，现金流出为各类成本、费用、税金支出。
在时间维度上，为了反映项目动态指标，本表以季度或月度为单位编制。
本表不同于会计上的现金流量表，它只反映现金流量表中的经营活动产生的现金流量这一内容。
主表三：资金计划表。
本表主要反映项目融资和还本付息的情况。
房地产行业价格泡沫的经济学模型设计――基于改进的ＣＡＰＭ模型[摘要] 中国的房地产价格是否存在泡沫是近年来大家持续关注的一个话题，而用哪些指标来评价一国的房地产行业价格是否存在泡沫是很多学者关心的课题。
在本文中，笔者综合前人的研究成果，利用改进的CAPM模型，设计出了判断房地产行业价格泡沫的模型，希望能抛砖引玉，引起相关研究者的重视。
[关键词] 房地产房地产泡沫 CAPM模型近年来，中国房地产价格持续攀升，特别是以上海为中心的长江中下游地区、以深圳为代表的沿海地区、以北京为代表的华北地区、以乌鲁木齐为代表的西部地区房地产价格上涨幅度为甚，各城市房价全线上涨至高位。
虽然目前中国的房价增速放缓，甚至有些地区的房价出现下调，但整体仍维持高水平，使得不少购房者望房兴叹。
据国家发展和改革委员会、国家统计局7月16日发布的调查结果，今年6月份，中国70个大中城市房屋销售价格同比上涨8.2%，涨幅比5月低1个百分点；环比价格与上月持平。
同时，中国的CPI持续攀升，屡次创下新高，瑞士信贷首席经济学家陶冬在5月份做出预测，2008年中国CPI或将达到7%。
如此之高的CPI，如此高的房价，已经引起了人们的普遍关注。
不少业内人士明确指出，中国的房地产存在泡沫。
一、房地产泡沫的概念所谓泡沫指的是一种资产在一个连续的交易过程中陡然涨价，价格严重背离价值，在这时的经济中充满了并不能反映物质财富的货币泡沫。
资产价格在上涨到难以承受的程度时，必然会发生暴跌，仿佛气泡破灭，经济开始由繁荣转向衰退，人称“泡沫经济”。
房地产泡沫是泡沫的一种，是以房地产为载体的泡沫经济，是指由于房地产投机引起的房地产价格与使用价值严重背离，市场价格脱离了实际使用者支撑的情况。
最早可考证的房地产泡沫是发生于1923年～1926年的美国佛罗里达房地产泡沫，这次房地产投机狂潮曾引发了华尔街股市大崩溃，并最终导致了以美国为首的20世纪30年代的全球经济大危机。
一、问题重述1.1背景分析自1998年我国实行住房改革以来，房地产行业已经逐渐成长为拉动中国经济增长的龙头产业。
近几年在国家积极的财政政策刺激下，我国房地产市场处于不断发展阶段。
然而，与美国等发达国家住房市场进入成熟期不同，我国正处在城市化和工业化进程加速阶段，住房水平低和需求比较旺盛，这是我国住房市场快速发展的重要基础。
中国房地产一方面在快速发展之时，在总体上对经济社会的发展确实起到了促进作用；另一方面由于不规范的房的销售价格行为、地价的上升造成放的开发成本提高等因素造成房价不断上涨，严重超出了普通居民的购买能力，给其造成了巨大的购房压力。
1.2问题重述根据近几年中国沈阳房地产市场现状，解决以下四个问题：(1)结合对房地产的了解，收集近几年沈阳房地产的价格走势，预测未来沈阳房价的状况。
(2)结合对上海市近几年来房价的了解，分析并建立合理的数学模型，得出“国五条”具体怎样影响房价。
二、问题分析2.1对于问题一的分析问题一要求根据近几年上海房地产的价格走势，来预测未来三年上海房价的情况。
首先，通过在《沈阳统计年鉴》找到上海近几年的房价, 为得到较为准确的预测，我们选取了最近十年上海的房价，因为长时间的数据能反映更多更合理的问题，不会太过片面对结果造成较大偏差。
历时十年，期间政府的宏观调控或制定的稳定物价等等措施必然会对房价造成影响，如果考虑政策措施和其他因素的影响，问题将变得非常复杂。
反而，我们可以将这些因素看作市场经济的调控，房价因受到这些因素影响而产生变化。
那么，实际呈现出来的房价变化就应该是有效的房价变化。
我们在模型的假设部分阐述了不考虑政府的政策措施对近几年房价的影响。
综合了以上分析，我们将搜集到的数据整理制成表格，绘制出年份-房价变化折线图，可以发现随着年份的增长，上海房价也在不断增长，且在一条直线周围上下波动，因此我们建立一元线性回归模型，来寻求上海房价与年份的线性关系。
然后根据最小二乘法来确定其中参数（一次项系数和常数项）的值，最终确定此回归方程。
1 预测模型
房地产市场中价格预测通常有以下几种模型：基于GM(1.1)灰色预测模型、滞后变量模型、虚拟变量模型、BP神经网络模型和回归分析模型等。
下面主要分析灰色预测模型、虚拟变量模型和滞后变量模型，通过比较各自的优势选出最优的预测模型。
1.1 基于GM(1.1)灰色模型的研究
灰色模型是灰色系统理论中一个比较基本的模型，同时也是灰色控制理论的基础。
一般模型的建立是利用原始数据序列建立差分方程，而灰色预测模型的建立则是利用原始数据序列生成数列后再建立微分方程。
灰色系统理论与方法的核心是灰色动态模型，此模型是以灰色生产函数概念为基础，以微分拟合的方法为核心。
灰色理论模型的步骤如下：
（1）首先，第一步检验原始序列是否非负。
如果在原始序列中数据有负数，那么必须进行相应的处理—即将所有原始序列的数据加上最小负数的绝对值。
第二步将第一步进行非负化处理的序列中含有的零进行消除，方法则是做一次累加处理即可；
（2）其次，还要检验原始序列是否满足准指数规律和准光滑性。
如果满足，那么继续（3）；如果不满足，那么要考虑对原始序列数据进行一定的处理，然后再建模；
（3）设原始数据为：
X(0)=(x(0)(1)，x(0)(2)，……x(0)(n))，
经过一次累加后，得到新序列：
X(1)=(x(1)(1)，x(1)(2)，……x(1)(n))，
其中，x(0)(k)=∑x(0)(i)，k=1，2，3…n。
（4）构造紧邻均值生成序列Z(1)={z(1)(1)，z(1)(2)，…z(1)(n)}，其中
(x(1)(k)+x(1)(k−1))，k=2，3…，n。
z(1)(k)=1
2
)=(B T B)−1B T Y，求出估计值a、b，其中：（5）根据â=(a
b
B =(−z (1)(2)1⋮
⋮−z (1)(n)
1)， Y =(x (0)(2)⋮x (0)(n)) 定义白化方程为：
d x
(1)d t +ax (1)=b 。
（6）利用时间响应方程：
x ̂(0)(k +1)=(x (0)(1)−b a )e −ak +b a
（7）利用后一项减去前一项的运算方式还原，即：
x ̂(0)(k +1)=x ̂(1)(k +1)−x ̂(1)(k )， k =1，2，…，n 。
在式子中a 主要控制系统发展事态大小，即反映x ̂(1)及x ̂(0)的发展事态；b 为预测模型的灰色作用量。
对于灰色模型预测检验的方法一般有三种：残差检验法、后验差检验法、关联度检验法。
灰色预测模型适用的条件包括：
(1)原始序列数据的规律性。
灰色预测模型是一种微分拟合，如果常常出现突然变化，那么就不适合采用此模型。
(2)较短期的预测，是相对于原始时间序列的短期预测，如果在预测的基础上预测，那么不可避免的会出现或产生系统误差。
1.2 虚拟变量模型
我们在日常的生活中，很多的经济变量都是可以定量度量的，例如商品的价格、产量与需求量等，但是也可能会有一些影响经济变量的因素是无法定性去分析和无法定量去度量，例如性别对收入的影响，以及自然灾害、战争对国家GDP 影响等。
为了在经济学模型中能够反映这些因素的影响，同时提高模型的精度，需要将它们“量化”，这种“量化”通常是通过引入“虚拟变量”来实现的。
根据这些因素的属性来分类，构造只取“0”或“1”的人工变量，通常称之为虚拟变量（dummy variables ），记为D.比如：利用文化程度的高低来反映虚拟变量，则可取为：
D ={1，本科学历
0，非本科学历
一般来说，在设置虚拟变量的过程中，肯定类型与基础类型取值为 1；否定类型与比较类型取值为 0。
同时含有一般虚拟变量和解释变量的模型都称之为虚拟变量模型。
一个以性别为虚拟变量来考察职工工资的模型如下：
Y i =β0+β1X i +β2D i +u i
其中：Y i 为职工的工资；X i 为工作年龄； D i 代表男性；D i 代表女性。
虚拟变量作为解释变量引入模型有两种基本方式：加法方式和乘法方式。
加法方式，即在所选模型中将虚拟变量以相加的方式引入模型，在上一个公式职工工资的例子中，再引入学历的虚拟变量D 2。
D 2={ 1，本科及以下学历 0，本科及以上学历
那么职工工资的回归模型可设计如下：
Y i =β0+β1X i +β2D 1+β3D 2+u i
乘法方式是在所选的数学模型中将虚拟变量D i 以与X i 相乘的方式引入模型。
1.3 滞后变量模型
在经济活动中，很多时候都会存在时间滞后效应，也就是动态性。
一些经济变量不仅受到同期各个因素的影响，而且还受到以前某些时期各个影响因素甚至自身过去值的影响。
通常我们把这种过去时期具有滞后作用的变量叫做滞后变量，含有滞后变量的数学模型称为滞后变量模型。
在数学模型中，如果加入滞后变量作为因变量(被解释变量)，就可以建立滞 后变量模型。
它的一般形式为：
Y t =β0+β1Y t−2+⋯+βq Y t−q +α0X t +α1X t−1+⋯+αs X t−s +u t 。
在上式中，q ，s 为滞后时间间隔，Y t−q 为因变量Y 的第q 期滞后，X t−s 为自变量X 的第s 期滞后。
由于此数学模型既包含了Y 对自身滞后变量的回归，同时还包含了自变量 X 分布在不同时间段的滞后变量，所以一般称为自回归分布滞后模型。
如果滞后的时间长度有限，称模型为有限自回归分布滞后模型；如果滞后期没有时间限制，那么称模型为无限自回归分布滞后模型。
商品房平均销售价格受到多方面因素的影响，从经济学的商品边际效用递减原理，随着每年商品房供给的不断增加，人们对房屋的购买欲望将下降，所以商
品房平均销售价格应该不会成直线型增长，利用GM(1.1)灰色预测法模型对我国商品房平均销售价格进行预测的误差将会比较大，但是从分析影响我国商品房平均销售价格的因素出发，GM(1.1)灰色预测法模型将是一个很好的模型。
通过观察计算和对比，基于GM(1.1)灰色预测法在预测中的应用广泛，因为灰色预测需要的样本量少，预测对象在过去时刻的数据，就可以对模型进行模拟，从而对预测对象进行预测；由于GM(1，1)预测模型在计算过程中主要以矩阵计算为主，通过它与MATLAB 的结合就可以使计算更简单方便；GM(1，1)模型需要通过残差检验、关联度检验和后验差检验，所以模型的预测精准度高；样本不需要具有规律性分布。
