论文南京市住宅均价宏观预测模型，该文是关于预测模型相关自考毕业论文范文跟宏观和模型和均价相关自考毕业论文范文.
文/ 夏正昊 东南大学土木工程学院 江苏南京 210018
【摘 要】近年来,我国的经济迅速发展,城市人口不断增多,推动了住宅市场的发展.本文就以南京市为例,通过对影响住宅市场的各种宏观因素进行量化分析,建立统计住宅均价预测模型.首先对各因素进行相关性分析,完成自变量的筛选；其次对选定的自变量构建多元线性模型,并对之检验；最后运用线性回归和基本面判断的方法完成各自变量值的预测,从而得到南京市未来住宅均价的预测值.结果发现居民储蓄余额与住房长期贷款利率是影响南京住宅均价的关键因素,并得出未来三年南京市住宅均价增速会大概率放缓的结论.
【关键词】南京市；住宅均价；宏观；预测模型
影响房地产市场的宏观因素错综复杂,经济和人口等因素在其中发挥重要的作用.本论文通过对南京市住宅均价影响因素的分析,建立了科学的预测模型,以此映射我国住宅的变化,为政府与开发企业提供建议
1.宏观因素
1.1 经济因素
经济发展水平是支撑房地产市场健康发展的一个重要因素,国内生产总值 (GDP) 是衡量国民经济发展的总体指标[1],对住宅市场影响巨大.居民的人均可支配收入是另一个极其重要的因素,住宅商品房作为高值耐用品,需要消费者支付的资金额较大,因此要求其必须具有良好的收入水平.同时,目前我国居民住宅购置的资金主要来自于银行贷款,理论上住房利率与房地产需求量成反比例变化,从而进一步影响住宅.最后,城镇居民储蓄存款与房地产市场需求呈正相关关系,如果一个城市的城镇居民储蓄存款的数量增长,那么购买住房的资金就会增加,并反馈到住宅上.
1.2 非经济因素
人口数量是影响房地产市场的一个直接因素.随着人口的自然增长和我国城市化进程的加快,城市规模不断扩大,大量农业人口向城市聚集,城市人口不断膨胀,因此必然会导致住房、用房需求的增加,从而传导到住宅变化上.另一方面,随着城镇人口比例的提高,居民购买能力加强,住宅市水平也会上移.
2.模型构建与检验
2.1 模型选择
根据统计学经验可知 ,任何一个系统的运行规律尽管不尽相同,但都可以用近似的各要素特征的线性方程组来表示.故本文选择多元线性回归模型进行预测,来表示南京住宅与各因素之间的关系,其自变量与因变量的关系可表示为：
Y等于b_0+b_1 x_1+b_2 x_2+…+b_p x_p+ε
其中,Y 为因变量,x_1,x_2,…,x_p 为自变量,ε 为随机变量,b_0,b_1,b_2,…,b_p 为待估参数.
2.2 自变量的选择与筛选
通过以上分析,影响南京住宅均价的可量化宏观因素为GDP、人均GDP、城镇居民人均可支配收入、居民储蓄余额、年初住房长期贷款利率、年末总人口、城镇化率,数据来自南京市2010-2016 年国民经济和社会发展统计公报.如表1 所示,运用 SPSS 对上述因素进行双变量相关性分析,找出与住宅均价相关程度较高的自变量,并剔除与这几个自变量相关程度较高的其余次要变量,可以得出影响南京住宅均价的两个关键因素为：居民储蓄余额和年初住房长期贷款利率[2].
2.3 模型构建
建立房地产市场需求预测的二元一次线性回归模型,其中因变量南京市住宅均价定义为Y,自变量居民储蓄余额和年初住房长期贷款利率分别定义为x_1、x_2：
Y等于b_0+b_1 x_1+b_2 x_2+ε
通过SPSS 的分析得出模型公式：
Y 等于 1 8 9 5 3 . 9 8 1 + 1 . 8 6 6 x _ 1 -2253.195x_2+ε
如表2 所示,模型拟合情况较好,预测值同观测值的相关系数为 0.987,且模型可以解释97.3％的观测数据,满足一般要求.
2.4 模型检验
2.4.1 方差分析(F 检验)
如表3 所示,回归模型的线性相关性显著,其sig 值远小于0.01 的一般要求,故通过线性回归假设.
2.4.2 回归参数显著性检验(T 检验)
如表4 所示,两个自变量系数为0 的概率分别为0.003 和0.004,远小于0.05 的一般要求,且t 值绝对值均大于2,故模型回归有效.
3.住宅均价预测
今年来,受房贷政策性紧缩的时滞效应影响,房贷利率全面收紧.同时金融环境正渐步入严控和收紧的通道,未来房贷利率水平将继续提高.因此,本文预测模型中假定未来三年住房长期贷款利率将保持2017 年的增速,即20%.对于另一个自变量居民储蓄余额的预测,本文根据对自变量散点分布图的分析和对未来经济环境的判断,决定采用一元线性预测模型.自变量和因变量的预测结果如表5 所示.
4.结果分析
从南京市住宅均价宏观预测模型的形式来看,居民储蓄余额与住房长期贷款利率是影响南京住宅均价的关键因素.一方面,南京市居民储蓄存款与房地产市场需求呈正相关关系,如当居民储蓄存款数量增长时,购买住房的资金就会增加,从而会导致住宅水平的提高；反之水平会降低[3].另一方面,由于我国居民购买住宅的资金主要来自于银行贷款,理论上利率与住宅水平成反比例变化,即银行利率提高,居民买住房的成本就会增大,势必也将会使住宅市场需求减少,最终导致成交量和成交同时下移；反之则上移.
从南京市住宅均价宏观预测模型的结果来看,来三年南京市住宅均价增速会大概率放缓.一方面,南京市宏观经济上涨动力强劲,未来居民储蓄余额将继续增长,从而支撑住宅水平的稳定提高.另一方面,在银根逐步缩紧的大环境下,住房贷款利率将继续提高,从而限制了房价增速的加快.
5.研究结论
以本文研究结果来看,居民储蓄余额和住房长期贷款利率将决定南京住宅的水平,且将导致未来三年住宅均价增速放缓.对于政府,必须把握好房贷利率的变化,并根据城市自身发展的特点进行政策的调整,确保住宅的稳定.对于开发商,面对未来流动性逐步收缩的大环境,必须要认识到房地产的野蛮生长期已经离去,一定要控制融资成本,并做好投资测算,控制项目风险.
6.创新点
本次研究的数据时间跨度较长,具有一定的合理性,能够使分析结果更加准确,另外,在研究过程中充分考虑了各经济因素和非经济因素,因而能够真实反映宏观因素与南京住宅均价的关系.除此之外,在建立预测模型时,进行了全面的模型检测,因此能够保证研究结果的可信度,为政府调控和房地产项目开发提供一定的依据.
7、展望
对城市住宅水平产生影响的除了经济、人口等宏观因素,还有政策、市场存量、城市配套发展等其它因素,而本次研究的范围较为局限,因此还应当不断扩展研究范围.另外,在模型预测时对住房利率的预测方式较为简单,在运用时需要进行进一步的分析与调整.第三,本文研究没有涉及到一些细节问题,因此之后在研究过程中必须在此方面进行提高,使得研究结果更加精确.
结语：
总而言之,本文通过构建量化模型的方式,得到居民储蓄余额与住房长期贷款利率是影响南京住宅均价的关键因素,以及出未来三年南京市住宅均价增速会大概率放缓的重要结论,为政府住宅市场调控和企业房地产项目开发提供参考.
参考文献:
[1] 张勤. 我国房地产模型的分析与结论---基于20 个大中型城市的研究[J]. 经济师,2014,（4）：80-83.
[2] 裴燕飞. 城市房地产发展与城市社会、经济和生态环境综合系统协调性的评价[J]. 统计与决策,2015,（2）：38-40.
[3] 李林. 哈尔滨城市交通与住宅房地产开发协调的发展研究[D]. 东北林业大学,2012.
本文总结,本文是一篇适合宏观和模型和均价论文写作的大学硕士及关于预测模型本科毕业论文，相关预测模型开题报告范文和学术职称论文参考文献.
参考文献：
1、 倪萍画作均价已超很多一线画家 本刊讯倪萍画作喜雀报喜近日登陆荣宝斋在线微拍平台,并以6 45万元成交 喜雀报喜描绘了两只飞鸟立于枝头的情景,该作品高64厘米、长36厘米,达2平尺,创作于2015年 网站显示,该作品共有十余位买家出.
2、 海南商品住宅预测模型 【摘要】本文就影响海南市房地产的各项因素进行了研究以及对实行限购政策前后商品住宅变换进行了分析,利用主成分分析、粗糙集及小波神经网络模型对数据进行运算,得出结论 【关键词】主成分分析小波神经网路Var.
3、 哈尔滨冬季旅游客源市场灰色预测模型 摘 要哈尔滨冬季旅游业发展较好,因其独特的位置和气候条件,使其拥有丰富独特的冰雪旅游资源,从而吸引了众多国内外旅游者 为了更好地把握哈尔滨冬季旅游客源市场旅游接待量的未来发展趋势,以灰色系统理论为基础.
4、 科学家首次开发出闪电预测模型 天气模型可以很好地预测大型风暴,但是对于闪电的预测依然捉襟见肘 如今,研究人员已经创建了一种闪电的全球模拟技术,能够更准确地捕捉到闪电发生的时间和地点——这可以帮助人们避免与它.
5、 基于大数据的宏观经济预测和分析 大数据不仅是国家新型战略资源,也是评判经济走势的支撑 如今,大数据对宏观经济分析的革命性影响,越来越受到宏观经济政策制定者和学术界更高的重视如今,利用大数据方法和技术进行宏观经济预测越来越受到宏观经济.
6、 基于灰色预测模型的辽宁省城乡建设用地需求预测 摘要从建设用地需求预测的理论出发,采用2010 年2015 年辽宁省城乡建设用地统计数据,运用灰色GM（1,1）模型对辽宁省11个地级市（铁岭、朝阳、葫芦岛除外）的城乡建设用地中的城镇用地、村庄用地….