房地產價格體系評估問題的研究論文PAGEPAGE36房地產價格體系評估問題的研究摘要本文主要是針對房地產價格體系進行研究。根據(jù)任務一，我們建立GM（1，1）模型來預測未來房地產的價格指數(shù)；考慮到題中所給的價格指數(shù)靈敏度過高，我們決定建立改進的灰色模型，均先把原先的價格指數(shù)換算成以1999年為100計算的價格指數(shù)，預測好值后再還原。結果表明，這種改進使得擬合效果非常好。最后我們得到寧波2008到2010年的預測值分別為110.00，110.72，110.98，杭州的為107.49，108.02，108.33，上海的為108.83，108.21，107.95，并對結果進行分析和解釋。對于任務二，我們依舊沿用此灰色模型，確定了體現(xiàn)人民生活水平的相關因素后做模型預測。結果在文中顯示。對于任務三，我們選用多元線性回歸分析。鑒于影響因素之間的關聯(lián)度較大，比如城市人口密度和人口數(shù)就具有較大的重疊性。我們分析剔除掉三個有部分重復性的因素后，用SPSS軟件分析求解。第一種多元線性回歸，采用強制進入策略，顯著性檢驗較差；第二種多元線性回歸分析采用向后篩選策略改進模型后，顯著性水平明顯提高，最終得出最主要因素為在崗工人平均工資和地區(qū)生產總值，其中地區(qū)生產總值的影響程度更勝一籌。對于任務四，我們充分收集數(shù)據(jù)，確定市場供求狀況，生活水平指標，政策導向，住房條件這四個板塊以及此內的10個合理價格評價指標。層次分析法確定各指標在各板塊中的權重，決策樹法確定各指標在整體中的權重，接著通過討論對各指標進行量化，最后求出杭州和上海的綜合評價值，發(fā)現(xiàn)杭州的價格體系比較合理。關鍵字GM(1,1)改進的灰色模型多元線性回歸分析決策樹層次分析法問題重述改革開放以來，我國的房地產業(yè)取得了巨大的成就，也逐漸成為促進國內經濟發(fā)展的新的經濟增長點。然而房價始終是我國房地產市場最為尖銳的問題。調查顯示，1992-2004年的13年間，全國城市住房平均售價上漲了近10倍，部分城市上漲幅度大得多，遠遠超過我國國民收入水平的漲幅；而且據(jù)我們國家發(fā)改委，統(tǒng)計局的最新資料顯示，2004年一季度35個大中城市就有9個城市房價漲幅超過10個百分點，另外有7個城市土地交易價格漲幅超過10個百分點?，F(xiàn)有杭州、寧波、上海三個城市的房地產價格指數(shù)如表一所示（當年指數(shù)以去年為100計算）：表1.城市房地產價格指數(shù)2000200120022003200420052006寧波市105.5107.2116.4116.6113.9106.4102.2杭州市104.9105.8106.9106.1111.7109.7102.6上海市98.6104.4107.3120.1115.9109.798.7據(jù)調查分析，房地產價格指數(shù)與人口數(shù)量、居民收入和建筑狀況等國民經濟狀況息息相關。我們結合自己所查的數(shù)據(jù)以及題目所給的數(shù)據(jù)，給出了上海市最近幾年國民經濟發(fā)展的主要數(shù)據(jù)（如下表2所示）。表2上海市近年國民經濟發(fā)展狀況年份2000200120022003200420052006建成區(qū)面積(平方公里)549.6549.6549.6549.6549.6819.9860.2城市人口密度(人/平方公里)287217571950195919712718.22774.2年末實有房屋建筑面積(萬平方米)31802342053832442951513756419870282年末實有住宅建筑面積(萬平方米)19310208642347426644305603799740857居民消費指數(shù)(去年=100)101.5102.5100100.5100.1101101.2人口數(shù)(萬人）1313.11321.61327.11334.21341.81360.31368地區(qū)生產總值（當年價格）（億元）756.4835．8930.21044.61192.91325.31484.3在崗工人平均工資(元)16641185312178123959273053194041189現(xiàn)在我們需要完成如下任務：建立數(shù)學模型，根據(jù)表1預測2008～2010年這三個城市的房地產價格指數(shù)的變化趨勢；根據(jù)表2中所列指標的相關數(shù)據(jù)，并預測2008～2010年三個城市的人民生活狀況；根據(jù)表2，建立對上海房地產價格體系的數(shù)學模型，分析房地產價格指數(shù)與上述各個因素之間的影響關系，找出影響房地產價格指數(shù)最重要的因素，并進行說明；收集數(shù)據(jù)，建立房地產價格評價模型，并比較杭州市與上海市的房地產價格體系。二．問題分析預測模型有很多，比如有時間序列，人工神經網(wǎng)絡，線性擬合，ARMA模型等等。但考慮到在房地產市場中，房地產價格受到國內經濟、市場競爭程度以及關系人自身等各種因素的影響，總是處在不停的波動變化之中，而且各種因素的影響又極其復雜，因此我們認為房地產市場是一個部分信息已知、部分信息未知的系統(tǒng)，即房地產市場可以看作一個灰色系統(tǒng)來進行處理，房地產價格作為其系統(tǒng)行為的主要特征量，是一個灰色量.所以對于任務一，我們初步決定根據(jù)灰色系統(tǒng)理論用灰色模型求解，并在任務二中也同樣用此方法。任務三中，我們初步在主成份分析法以及多元線性回歸分析方法中作抉擇。多元線性回歸考慮到各影響因素之間有一定的關聯(lián)度，比較符合實際，我們最后認為這種分析方法比較適合。而任務四中，我們考慮用層次分析法。先找出各種房地產價格的評價指標，在網(wǎng)上搜得相關數(shù)據(jù)，以較客觀的方式確定它們之間對于房價重要度的程度；再利用層次分析確定各指標的權重，求得一個最終的綜合評價值，以此來比較兩個城市之間價格體系的合理程度。三．符號說明回歸系數(shù)時間序列累加數(shù)列方差比小誤差概率解釋變量隨機變量殘差平方和總離差平方和回歸平方和統(tǒng)計量樣本決定系數(shù)顯著性水平權重四．模型假設1．假設各數(shù)據(jù)都有效，具有真實性。2.在預測未來的房地產價格指數(shù)時，我們假設政府政策穩(wěn)定不變。五．模型的建立與求解1．對任務一建立GM(1,1)灰色模型1.1.灰色模型理論設有預測對象的歷史數(shù)據(jù)資料形成的時間序列結果想知道：根據(jù)灰色系統(tǒng)理論，可以針對這個問題建立如下的GM（1，1）模型。首先對做累加生成，得到新的數(shù)列，即作：具體的說，就是：通過累加生成的數(shù)列，計算模型參數(shù)和。記：按如下公式可得模型參數(shù)和：上式中：通過上面的式子得到后，就有GM(1,1)模型如下：模型建立后，應該對模型作出檢驗。如果檢驗合格，則可以用它進行預測。即用，作為的預測值。1.2.建立改進的灰色模型考慮到題中所給數(shù)據(jù)較少，且均是靈敏度較高的數(shù)據(jù)，對最后的預測結果會產生較大影響。因此，我們先對數(shù)據(jù)進行預處理，把歷年價格指數(shù)換算成以1999年為100計算所得的價格指數(shù)，再建立GM（1，1）模型求解（程序見附錄一）。1.3對寧波價格指數(shù)的預測首先我們得到了從2000年到2006年房地產價格指數(shù)的數(shù)據(jù)，可形成時間序列，來預測2008年到2010年的房地產價格指數(shù)。對數(shù)據(jù)進行預處理，具體結果如下表所示：表1：當年指數(shù)以去年為100計算所得的價格指數(shù)年份2000200120022003200420052006價格指數(shù)105.5107.2116.4116.6113.9106.4102.2表2：當年指數(shù)以1999年為100計算所得的價格指數(shù)年份2000200120022003200420052006價格指數(shù)105.5113.096131.6437153.4966174.8326186.0219190.1144接著計算累加生成數(shù)列，如表3所示：表3序號2000200120022003200420052006105.5113.10131.64153.50174.83186.02190.11105.5218．60350.24503.74678.57864.591054.71再根據(jù)原理由Matlab編程（程序見附錄二）得，說明該擬合效果很好。則該市房地產價格指數(shù)的GM(1,1)預測模型為：最后輸出2007－2010年的預測值分別為：220.9770244.0858269.6112297.8060擬合效果見圖1：圖1還原價格指數(shù)（見表4）：表4：當年值以去年為100計算的價格指數(shù)年份2007200820092010預測值110.46110.00110.72110.98實際值108.6114.6其中，2008年的實際值是第一季度的值，僅作參考，后面兩個城市也是這樣。那么我們可以得到寧波歷年的價格指數(shù)（見圖2）：圖2同理可得以下兩個城市的模型。1.3對杭州價格指數(shù)的預測先對數(shù)據(jù)進行預處理，具體結果如下表所示：表5：當年指數(shù)以去年為100計算所得的價格指數(shù)年份2000200120022003200420052006價格指數(shù)104.9105.8106.9106.1111.7109.7102.6表6：當年指數(shù)以1999年為100計算所得的價格指數(shù)年份2000200120022003200420052006價格指數(shù)104.9110.98118.64125.88140.61154.25158.26計算累加生成數(shù)列，如表7所示：表7序號2000200120022003200420052006104.9110.98118.64125.88140.61154.25158.26104.9215.88334.52460.4601.01755.26913.52由Matlab編程（程序見附錄二）得，說明擬合效果非常好。則該市房地產價格指數(shù)的GM(1,1)預測模型為：最后輸出2007－2010年的預測值分別為：174.1437187.8501202.6353218.5842擬合效果見圖3：圖3還原價格指數(shù)（見表8）：表8：當年值以去年為100計算的價格指數(shù)年份2007200820092010預測值107.87107.49108.02108.33實際值107.275113.7那么我們可以得到杭州歷年的價格指數(shù)（見圖4）：圖41.4對上海價格指數(shù)的預測先對數(shù)據(jù)進行預處理，具體結果如下表所示：表9：當年指數(shù)以去年為100計算所得的價格指數(shù)年份2000200120022003200420052006價格指數(shù)98.6104.4107.3120.1115.9109.798.7表10：當年指數(shù)成以1999年為100計算所得的價格指數(shù)年份2000200120022003200420052006價格指數(shù)98.6102.94110.45132.65153.75168.66166.47計算累加生成數(shù)列，如表11所示：表11序號200020012002200320042005200698.6102.94110.45132.65153.75168.66166.4798.6201.54311.99444.64598.39767.05933.52由Matlab編程（程序見附錄二）得，說明該模型的擬合效果很好。則該市房地產價格指數(shù)的GM(1,1)預測模型為：最后輸出2007－2010年的預測值分別為：196.1987217.3615240.8070266.7814擬合效果見圖5：圖5還原價格指數(shù)：表12：當年換算成以去年為100的價格指數(shù)年份2007200820092010預測值110.79108.83108.21107.95實際值103.4109.8那么我們可以得到上海歷年的價格指數(shù)（見圖6）：圖61.5對模型結果的分析和解釋根據(jù)預測，我們得到2007，2008年的價格指數(shù).這兩年的實際值我們都可以找到，特別是對于07年，通過比較發(fā)現(xiàn)寧波預測值為110.46，實際值為108.6，杭州預測值為107.87，實際值為107.275，都還是比較準的。而上海，預測值為110.79，實際值為103.4，雖然相差較大，但由于國家實行了宏觀調控，在07年第四季度的時候房價反彈厲害，已經達到108.7，與預測值110.79較相近，因此這個預測值也是比較合理準確的。2.對任務二使用灰色模型我們經過篩選和檢索，最后決定用年末實有住宅建筑面積，居民消費指數(shù)，地區(qū)生產總值，在崗工人平均工資這四個指標來說明人民的生活狀況。經過Matlab編程（程序見附錄），我們得到一系列形象可觀的圖表來說明。鑒于篇幅有限，圖表過多，我們僅以杭州為例畫圖，其它圖表均放在附錄里。預測各地方的人民生活水平預測杭州市的人民生活水平（見圖7-圖10）年份2007200820092010年末實有住宅建筑面積(萬平方米)98.381111641266814375居民消費指數(shù)(去年=100)102.5646103.1540103.7467104.3428地區(qū)生產總值(當年價格)(萬元)40375000474150005568200065391000在崗工人平均工資(元)37869425994792053906圖7圖8圖9圖102.2預測寧波市的人民生活水平年份2007200820092010年末實有住宅建筑面積(萬平方米)7609.98797.31017011757居民消費指數(shù)(去年=100)102.5465103.0571103.5702104.0858地區(qū)生產總值(當年價格)(萬元)3357.43931.84604.55392.3在崗工人平均工資(元)306753309635707385252.3預測上海市的人民生活水平年份2007200820092010年末實有住宅建筑面積(萬平方米)47839551246351973193居民消費指數(shù)(去年=100)100.4917100.3801100.2687100.1573地區(qū)生產總值(當年價格)(萬元)16678000187270002102700023609000在崗工人平均工資(元)4.59925397663347743443.對任務三建立多元線性回歸分析模型3.1模型建立假設房地產價格指數(shù)為可觀測的隨機變量，它受到個非隨機因素和隨機因素的影響，且它們有如下線性關系：其中是個未知參數(shù)，是不可觀測的隨機誤差，且通常假定，稱作被解釋變量，為解釋變量，而為理論回歸方程。根據(jù)題意，我們有八個解釋變量，但考慮到建成區(qū)面積與年末實有房屋建筑面積和年末實有住宅建筑面積這三個因素有部分重復性，城市人口密度和人口數(shù)有較多重復部分，于是我們在分析之前先剔除三個因素，留下年末實有住宅建筑面積和城市人口密度這兩個因素。因此最終我們考慮如下因素：城市人口密度，年末實有住宅建筑面積，居民消費指數(shù)，地區(qū)生產總值，在崗工人平均工資。那么可得到再代入數(shù)據(jù)，得到接下來是做回歸系數(shù)檢驗：記，則數(shù)據(jù)的總離差平方和，數(shù)據(jù)的殘差平方和回歸平方和與一元線性回歸一樣，可以用統(tǒng)計量檢驗回歸方程的顯著性，統(tǒng)計量是且，并給定顯著性水平為0.5.當時，這種線性關系是顯著的,說明至少有某個。在總離差平方和中，若回歸平方和占的比例越大，則說明擬合效果越好，于是就用回歸平方和與離差平方和的比例作為評判一個模型擬合優(yōu)度的標準，稱為樣本決定系數(shù)，記為：3.2第一次多元線性回歸分析通過SPSS軟件（輸出結果見附錄四），先采用強制進入策略，并做多重貢獻性分析，得到以下三幅表：表13ModelRRSquareAdjustedRSquareStd.ErroroftheEstimate1.919(a).845.0677.88390被解釋變量和解釋變量的復相關系數(shù)R＝0.969,判定系數(shù)R2＝0.845，比較接近1，因此認為擬合優(yōu)度符合要求，被解釋變量可以被模型解釋部分較多。表14elSumofSquaresdfMeanSquareFSig.1Regression337.613567.5231.086.619(a)Residual62.156162.156Total399.7696可以看到：被解釋變量的總離差平方和為399.769，回歸平方和及均方分別為337.613和67.523，剩余平方和及均方分別為62.156和62.156，F(xiàn)檢驗統(tǒng)計量的觀測值為1.086，對應的概率P-值近似為0.619。這里的P-值較大，相應的要求顯著性水平也要比較大，才認為被解釋變量與解釋變量全體的線性關系是顯著的。然而這樣的值就超過0.05，不通過顯著性檢驗。表15ModelUnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.ErrorBetaBStd.Error1(Constant)300.138525.366.571.670城市人口密度-.005.012-.320-.450.731年末實有住宅建筑面積-.001.005-.743-.143.910居民消費指數(shù)-2.0994.846-.225-.433.740地區(qū)生產總值1.20E-005.0003.915.581.665在崗工人平均工資-.003.003-3.096-1.156.454得到回歸模型：結果可看出：大多變量的回歸系數(shù)顯著性t檢驗的概率P-值都大于顯著性水平，因此認為偏回歸系數(shù)與被解釋變量的線性關系是不顯著的，不應該保留在方程中，應進一步改進模型。3.3第二次多元線性回歸接下來我們采取向后篩選策略，并做多重貢獻性分析。表16ModelRRSquareAdjustedRSquStd.ErroroftheEstimate1.919(a).845.0677.883902.917(b).841.5245.631143.888(c).788.5765.313234.803(d).645.4685.95505aPredictors:(Constant),在崗工人平均工資,居民消費指數(shù),城市人口密度,年末實有住宅建筑面積,地區(qū)生產總值bPredictors:(Constant),在崗工人平均工資,居民消費指數(shù),城市人口密度,地區(qū)生產總值cPredictors:(Constant),在崗工人平均工資,城市人口密度,地區(qū)生產總值dPredictors:(Constant),在崗工人平均工資,地區(qū)生產總值eDependentVariable:城市房地產價格指數(shù)利用向后篩選策略經過六步完成回歸方程的建立，最終模型為第四個模型。從方程建立的過程看，隨著解釋變量的不斷減少，方程的擬合優(yōu)度下降了。這一方面說明了判定系數(shù)的自身特性，同時也說明建立回歸方程并不是以一味追求高的擬合優(yōu)度為唯一目標的，還要看是否對被解釋變量有貢獻。依次剔除出方程的年末實有住宅建筑面積,居民消費指數(shù)，城市人口密度,偏F檢驗的概率P-值均大于顯著性水平，因此均不能拒絕檢驗的原假設，這些變量的偏回歸系數(shù)與零無顯著差異，它們對被解釋變量的線性解釋沒有貢獻，不應保留在方程中，最終保留的是在崗工人平均工資,地區(qū)生產總值。根據(jù)表我們得到多元線性回歸模型：這個是最終的方程，回歸方程顯著性檢驗的概率P-值經篩選變量后顯著增大，變量間的線性關系更為顯著，建立線性模型恰當。結果說明，在崗工人平均工資,地區(qū)生產總值是最重要的影響因素。通過比較這兩個因素的系數(shù)（地區(qū)生產總值的單位是萬元），很容易知道，也就是說地區(qū)生產總值是最重要的因素。各因素影響程度遞減排列：地區(qū)生產總值在崗工人平均工資城市人口密度（人口數(shù)）居民消費指數(shù)年末實有住宅建筑面積（建成區(qū)面積與年末實有房屋建筑面積）4.對任務四建立評價模型首先我們選定一些價格評價指標。我們從市場供求狀況，人民生活，國家政策，人民住房條件這四個板塊來分析，確定如下指標：供求比，房屋租售比，房屋空置率，人均住房面積，房地產在GDP中的投資，物價指數(shù)與房價指數(shù)比，稅收政策，房貸利息，空氣質量指標，市民幸福指數(shù)。4.1層次分析法基本思路確定評價因素集，建立問題層次結構。構造兩兩比較的判斷矩陣。對判斷矩陣進行一致性檢驗。查找隨機一致性指標RI取值，檢驗是否通過一致性檢驗。4.2基于層次分析法的指標權重的計算我們先建立層次（如圖），然后根據(jù)不同的板塊求權重，以及做一致性檢驗。圖11第一層：A1：市場供求狀況A2:生活水平指標A3：政策導向A4：住房條件各指標間的確定相對重要度：A1A2A3AA11435A21／411／22A31／3213A41／521／3114351／411／22令A=1／32131／41／21／31權重特征向量當時，,一致性比值,通過一致性檢驗。同理可求得市場供求狀況下的各指標權重B1:房地產供求比B2：租售比”(指月租金與房價的比值)B3：房屋空置率（商品房空置總量/商品房竣工面積）商品房空置率：空置率是反映一定時點商品房供求狀態(tài)、市場運行好壞的相對指標，直接用來表明房地產市場的熱度和房價高低程度。生活水平指標下的各指標權重C1:人均住房面積C2:房地產投資在GDP的比例C3:物價指數(shù)與房價指數(shù)比政策導向下的各指標權重D1:稅收政策D2:房貸利率住房條件下的各權重指標E1:空氣質量指標E2:市民幸福指數(shù)現(xiàn)在我們來做決策樹，求各指標因素最終的權重B10.53770.2675B2A!0.49210.1948B30.4111A2C10.14800.2611OC20.3278C30.27100.5A3D10.5D20.50.0888A4E10.5E2圖12由決策樹去我們可各個影響因素的最終權重：影響因素B1B2B3C1C2C3D1D2E1E2權重0.2780.1320.0960.0610.0390.0490.1350.1350.0440.0444.3各個評價指標的量化1.對各評價指標的評價：在市場經濟中，商品的調配主要由市場本身的供求關系來完成。在本模型中供求關系成為最重要的評價因素的最重要因素也就在情理之中。下面，我們對具體某個城市供求關系這一指標的評價做出分析。我們把這一指標分為見了優(yōu)(0.95)、良(0.85)、中(0.75)、差(0.65)、極差（0.3）五個等級。考慮到市場上房地產供求比普遍處于1~2之間，我們把供求關系指標建立以下標準。供求比范圍1~1.251.25~1.51.5~1.751.75~2>2等級及得分優(yōu)(0.95)良(0.85)中(0.65)差(0.65)極差(0.3)2.租售比”(指月租金與房價的比值)該指標往往是房地產價格增長的副產品，一定程度上說明該地區(qū)房價不合理。目前，國際上用來衡量一個區(qū)域房產運行狀況良好的售價租金比一般界定為２００：１至３００：１。如果售價租金比超過３００：１，意味著房產投資價值相對變小，房產泡沫已經顯現(xiàn)；如果低于２００：１，表明該區(qū)的房產投資潛力相對較大，房產后市看好。售價租金比無論是低于２００：１還是高于３００：１，均表明房產價格偏離理性真實的房產價值。分為好與差兩個等級租售比范圍〈200200~300〉300等級及得分差(0.3)好(0.9)差(0.3)3.房屋空置率是指商品房空置總量與商品房竣工面積的比值.商品房空置率?？罩寐适欠从骋欢〞r點商品房供求狀態(tài)、市場運行好壞的相對指標，直接用來表明房地產市場的熱度和房價高低程度。一般來說物盡其用才是理想的狀況。有此，我們建立了以下標準：房屋空置率〈10%20%~40%40%~60%〉60%等級及評分優(yōu)（0.95）良(0.85)中(0.65)差(0.3)4人均住房面積據(jù)了解,我省城鎮(zhèn)居民人均住房使用面積23.9平方米在住房面積上，多數(shù)家庭的住房使用面積在60平方米以下,以次建立人的指標。人均住房面積〈12平方米12~20平方米20~30平方米30~60平方米等級及評分差（0.3）中(0.65)良(0.85)優(yōu)(0.95)5.房地產投資在GDP的比例,該指標能夠直觀地反映房地產是否過熱，是房的產發(fā)展的路標。一般正常情況下，房地產投資在GDP的比例在20%~25%之間，過高過低都不利。所以，建立以下標準體系。地產投資在GDP的比例〈20%20%~30%〉30%等級及評分差（0.3）好(0.9)差(0.3)6.物價指數(shù)與房價指數(shù)比,該指標體現(xiàn)了房價漲浮與物價漲浮之間的關系。說明人民支付房價的能力和人民對住房價格漲浮的態(tài)度，我們建立以下標準體系。物價指數(shù)與房價指數(shù)比0~1=1〉1等級及評分差（0.3）良(0.75)優(yōu)(0.95)7.稅收政策，主要是用來評價政府對房地產的調控能力。通過對房地產價格指數(shù)的波動劇烈程度建立評價體系。價格指數(shù)波動程度劇烈微小變動平穩(wěn)稅收政策差（0.3）中(0.65)優(yōu)(0.95)8.房貸利息,也是政府調控房價的重要因素，這里我們只關心房貸利息的調整對房地產價格的影響。貸款利息上調不變下調評價不利（0.3）中(0.65)有利(0.9)9，10.空氣質量指標,綠化率。隨著人們越來越關心環(huán)境質量,人們對住房環(huán)境提出了更高的要求。于是空氣質量指標和綠化率在房地產價格中其著越來越重要的作用。表17污染指數(shù)質量級別質量狀況50以下I好（0.95）51～100II良好(0.85)101～150III（1）輕微污染(0.75)151～200III（2）輕度污染(0.65)201～250IV（1）中度污染(0.55)251～300IV（2）中度重污染(0.45)300以上V重度污染(0.3)綠化率0~10%10%~20%20%~40%>40%評價等級差(0.3)中(0.65)良(0.85)優(yōu)(0.95)等級城市杭州上海指標房地產供求比(0.278)良(0.85)中(0.65)租售比”(0.132)好（0.9）好（0.9）房屋空置率(0.096)良(0.85)中(0.65)人均住房面積(0.061)中(0.65)差(0.3)投資在GDP的比例（0.039）好(0.9)好(0.9)物價指數(shù)與房價指數(shù)比（0.049）良(0.85)良(0.85)稅收政策（0.135）中(0.65)中(0.65)房貸利息（0.135）中(0.65)差(0.3)空氣質量指標（0.044）良好(0.85)輕微污染(0.75)綠化率（0.044）優(yōu)(0.95)中(0.65)總計0.69380.5519杭州和上海作為現(xiàn)代大城市，在房地產價格體系上有許多相同之處。兩者在售租比、房地產投資占GDP的比例、稅收政策等方面具有類似性。但通過比較我們還發(fā)現(xiàn)了暗含著的空氣質量、綠化率等環(huán)境指標的差別。它為我們敲響了警鐘，告誡人們必須追求經濟和環(huán)境的和諧發(fā)展，不能為了一時的利益而損壞了環(huán)境，影響長久的發(fā)展。這一點，杭州為我們樹立榜樣。因此我們認為杭州的價格體系比較好。六．模型的評價我們的模型都經過一系列的篩選工作，可以說能比較精確合理地解決題中所給的問題，但模型始終存在缺陷。我們主要是對模型的改進力度不夠，還是依賴于一定的模型原型，缺乏自己的創(chuàng)造性和獨特的思維能力；缺少實際經驗，像房地產中就缺乏國家匯率變化對房地產價格影響的考慮，思維不夠成熟。七．模型的改進本文考慮的房地產價格的影響因素主要考慮了人民和經濟的影響，而對政府的調控政策，比如政府的土地調控政策、信貸調控政策、稅收調控政策以及抵押貸款政策，都考慮得較少。如果能考慮這些政策的影響,并把這些影響因子給予數(shù)量化,一定能夠提高模型的精度。匯率的變化也是影響房地產價格變化的又一重要因素。一些學者研究發(fā)現(xiàn)匯率通過宏觀經濟傳導渠道與通過投資的傳導渠道對房價有不同的影響關系，如果能考慮這些內在的因素,并把這些輸入到模型中,那模型就變得更完善了。參考文獻：[1].李工農，阮曉青，徐晨，經濟預測與決策及其Matlab實現(xiàn)，北京：清華大學出版社，2007[2].向東進，李宏偉，實用多元統(tǒng)計分析，武漢：中國地質大學出版社，2005[3].袁新生，LINGO和Excel在數(shù)學建模中的應用，北京：科學出版社，2007[4].重慶市房地產發(fā)展的供求分析[5].馬海濤，基于灰色理論的中國房地產價格指數(shù)預測，統(tǒng)計與決策，2005[6].曹洪，對房地產價格評價指標的思考，價格月刊，2005[7].薛薇，基于SPSS的收據(jù)分析，北京：高等教育出版社，2005[8].我國房地產價格影響因素分析[9].姜啟源，謝金星，葉俊，數(shù)學模型，北京：高等教育出版社，2003[10].汪應洛，系統(tǒng)工程理論、方法與應用，北京：高等教育出版社，2005附錄一：灰色模型程序functionGM1=fungry3(x0)T=input('T=');x1=zeros(1,length(x0));B=zeros(length(x0)-1,2);yn=zeros(length(x0)-1,1);Hatx0=zeros(1,length(x0)+T);Hatx00=zeros(1,length(x0));Hatx1=zeros(1,length(x0)+T);epsilon=zeros(length(x0),1);omega=zeros(length(x0),1);fori=1:length(x0)forj=1:ix1(i)=x1(i)+x0(j);endendfori=1:length(x0)-1B(i,1)=(-1/2)*(x1(i)+x1(i+1));B(i,2)=1;yn(i)=x0(i+1);endHatA=(inv(B'*B))*B'*ynfork=1:length(x0)+THatx1(k)=(x0(1)-HatA(2)/HatA(1))*exp(-HatA(1)*(k-1))+HatA(2)/HatA(1);endHatx0(1)=Hatx1(1);fork=2:length(x0)+THatx0(k)=Hatx1(k)-Hatx1(k-1);endfori=1:length(x0)epsilon(i)=x0(i)-Hatx0(i);omega(i)=(epsilon(i)/x0(i))*100;end%x0;Hatx0;epsilon;omega;c=std(epsilon)/std(x0)p=0;fori=1:length(x0)ifabs(epsilon(i)-mean(epsilon))<0.6745*std(x0)p=p+1;endendp=p/length(x0)ifp>0.95&c<0.35disp('Themodleisgood,andtheforecastis:'),disp(Hatx0(length(x0)+T))elseifp>0.85&c<0.5disp('Themodleiseligibility,andtheforecastis:'),disp(Hatx0(length(x0)+T))elseifp>0.70&c<0.65disp('Themodleisnotgood,andtheforecastis:'),disp(Hatx0(length(x0)+T))elsep<=0.70&c>=0.65disp('Themodleisbadandtryagain,andtheforecastis:')disp(Hatx0(length(x0)+T))endfori=1:length(x0)Hatx00(i)=Hatx0(i);endz=2000:2000-1+length(x0);plot(z,x0,'-',z,Hatx00,':')text(2,x0(2),'Historydata:realline')text(length(x0)/2,Hatx00(length(x0))/2,'simulationdata:brokenline')disp(Hatx0(length(x0)))end附錄二：寧波的預測模型程序x0=[105.5,113.096,131.6437,153.4966,174.8326,186.0219,190.1144]x0=105.5000113.0960131.6437153.4966174.8326186.0219190.1144>>fungry3(x0)T=11Themodleisgood,andtheforecastis:220.9770>>fungry3(x0)T=2Themodleisgood,andtheforecastis:244.0858>>fungry3(x0)T=3Themodleisgood,andtheforecastis:269.6112>>fungry3(x0)T=4Themodleisgood,andtheforecastis:297.8060杭州的預測模型程序：x0=[104.9,110.9842,118.6421,125.8793,140.6072,154.2460,158.25644]x0=104.9000110.9842118.6421125.8793140.6072154.2460158.2564>>fungry3(x0)T=1Themodleisgood,andtheforecastis:174.1437>>fungry3(x0)T=2Themodleisgood,andtheforecastis:187.8501>>fungry3(x0)T=3Themodleisgood,andtheforecastis:202.6353>>fungry3(x0)T=4Themodleisgood,andtheforecastis:218.5842上海的預測灰色模型程序：x0=[98.6,102.9384,110.4529,132.6539,153.7459,168.6593,166.4667]x0=98.6000102.9384110.4529132.6539153.7459168.6593166.4667>>fungry3(x0)T=1Themodleisgood,andtheforecastis:196.1987>>fungry3(x0)T=2Themodleisgood,andtheforecastis:217.3615>>fungry3(x0)T=3Themodleisgood,andtheforecastis:240.8070>>fungry3(x0)T=4Themodleisgood,andtheforecastis:266.7814附錄三：SPSS的輸出結果第一次回歸：RegressionVariablesEntered/Removed(b)ModelVariablesEnteredVariablesRemovedMethod1在崗工人平均工資,居民消費指數(shù),城市人口密度,年末實有住宅建筑面積,地區(qū)生產總值(a).EnteraAllrequestedvariablesentered.bDependentVariable:城市房地產價格指數(shù) ModelSummary(b)ModelRRSquareAdjustedRSquareStd.ErroroftheEstimate1.919(a).845.0677.88390aPredictors:(Constant),在崗工人平均工資,居民消費指數(shù),城市人口密度,年末實有住宅建筑面積,地區(qū)生產總值bDependentVariable:城市房地產價格指數(shù) ANOVA(b)ModelSumofSquaresdfMeanSquareFSig.1Regression337.613567.5231.086.619(a)Residual62.156162.156Total399.7696aPredictors:(Constant),在崗工人平均工資,居民消費指數(shù),城市人口密度,年末實有住宅建筑面積,地區(qū)生產總值bDependentVariable:城市房地產價格指數(shù) Coefficients(a)ModelUnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.ErrorBetaBStd.Error1(Constant)300.138525.366.571.670城市人口密度-.005.012-.320-.450.731年末實有住宅建筑面積-.001.005-.743-.143.910居民消費指數(shù)-2.0994.846-.225-.433.740地區(qū)生產總值1.20E-005.0003.915.581.665在崗工人平均工資-.003.003-3.096-1.156.454aDependentVariable:城市房地產價格指數(shù) ResidualsStatistics(a)MinimumMaximumMeanStd.DeviationNPredictedValue98.6616119.1339107.81437.501257Residual-3.233906.76068.000003.218597Std.PredictedValue-1.2201.509.0001.0007Std.Residual-.410.858.000.4087aDependentVariable:城市房地產價格指數(shù)REGRESSION/MISSINGLISTWISE/STATISTICSCOEFFOUTSRANOVA/CRITERIA=PIN(.05)POUT(.10)/NOORIGIN/DEPENDENT城市房地產價格指數(shù)/METHOD=STEPWISE城市人口密度年末實有住宅建筑面積居民消費指數(shù)地區(qū)生產總值在崗工人平均工資/RESIDUALSID(年)第二種歸：ModelRRSquareAdjustedRSquareStd.ErroroftheEstimate1.919(a).845.0677.883902.917(b).841.5245.631143.888(c).788.5765.313234.803(d).645.4685.95505aPredictors:(Constant),在崗工人平均工資,居民消費指數(shù),城市人口密度,年末實有住宅建筑面積,地區(qū)生產總值bPredictors:(Constant),在崗工人平均工資,居民消費指數(shù),城市人口密度,地區(qū)生產總值cPredictors:(Constant),在崗工人平均工資,城市人口密度,地區(qū)生產總值dPredictors:(Constant),在崗工人平均工資,地區(qū)生產總值eDependentVariable:城市房地產價格指數(shù) ANOVA(e)ModelSumofSquaresdfMeanSquareFSig.1Regression337.613567.5231.086.619(a)Residual62.156162.156Total399.76962Regression336.349484.0872.652.292(b)Residual63.419231.710Total399.76963Regression315.0773105.0263.720.155(c)Residual84.691328.230Total399.76964Regression257.9182128.9593.636.126(d)Residual141.851435.463Total399.7696aPredictors:(Constant),在崗工人平均工資,居民消費指數(shù),城市人口密度,年末實有住宅建筑面積,地區(qū)生產總值bPredictors:(Constant),在崗工人平均工資,居民消費指數(shù),城市人口密度,地區(qū)生產總值cPredictors:(Constant),在崗工人平均工資,城市人口密度,地區(qū)生產總值dPredictors:(Constant),在崗工人平均工資,地區(qū)生產總值eDependentVariable:城市房地產價格指數(shù) Coefficients(a)ModelUnstandardizedCoefficientsStandardizedCoefficientstSig.BStd.ErrorBetaBStd.Error1(Constant)300.138525.366.571.670城市人口密度-.005.012-.320-.450.731年末實有住宅建筑面積-.001.005-.743-.143.910居民消費指數(shù)-2.0994.846-.225-.433.740地區(qū)生產總值1.20E-005.0003.915.581.665在崗工人平均工資-.003.003-3.096-1.156.4542(Constant)342.945307.9341.114.381城市人口密度-.007.006-.397-1.203.352居民消費指數(shù)-2.4482.989-.262-.819.499地區(qū)生產總值9.25E-006.0003.0121.814.211在崗工人平均工資-.003.002-2.910-1.743.2243(Constant)91.27218.9544.815.017城市人口密度-.007.005-.438-1.423.250地區(qū)生產總值1.08E-005.0003.5152.414.095在崗工人平均工資-.003.001-3.334-2.226.1124(Constant)73.00415.6294.671.010地區(qū)生產總值1.28E-005.0004.1652.687.055在崗工人平均工資-.004.001-4.154-2.681.055aDependentVariable:城市房地產價格指數(shù) ResidualsStatistics(a)MinimumMaximumMeanStd.DeviationNPredictedValue98.3182116.4894107.81436.556397Residual-5.211959.21032.000004.862287Std.PredictedValue-1.4481.323.0001.0007Std.Residual-.8751.547.000.8167aDependentVariable:城市房地產價格指數(shù)REGRESSION/MISSINGLISTWISE/STATISTICSCOEFFOUTSRANOVA/CRITERIA=PIN(.05)POUT(.10)/NOORIGIN/DEPENDENT城市房地產價格指數(shù)/METHOD=FORWARD城市人口密度年末實有住宅建筑面積居民消費指數(shù)地區(qū)生產總值在崗工人平均工資/RESIDUALSID(年).附錄4:寧波指標：上海指標：基于C8051F單片機直流電動機反饋控制系統(tǒng)的設計與研究基于單片機的嵌入式Web服務器的研究MOTOROLA單片機MC68HC（8）05PV8/A內嵌EEPROM的工藝和制程方法及對良率的影響研究基于模糊控制的電阻釬焊單片機溫度控制系統(tǒng)的研制基于MCS-51系列單片機的通用控制模塊的研究基于單片機實現(xiàn)的供暖系統(tǒng)最佳啟停自校正（STR）調節(jié)器單片機控制的二級倒立擺系統(tǒng)的研究基于增強型51系列單片機的TCP/IP協(xié)議棧的實現(xiàn)基于單片機的蓄電池自動監(jiān)測系統(tǒng)基于32位嵌入式單片機系統(tǒng)的圖像采集與處理技術的研究基于單片機的作物營養(yǎng)診斷專家系統(tǒng)的研究基于單片機的交流伺服電機運動控制系統(tǒng)研究與開發(fā)基于單片機的泵管內壁硬度測試儀的研制基于單片機的自動找平控制系統(tǒng)研究基于C8051F040單片機的嵌入式系統(tǒng)開發(fā)基于單片機的液壓動力系統(tǒng)狀態(tài)監(jiān)測儀開發(fā)模糊Smith智能控制方法的研究及其單片機實現(xiàn)一種基于單片機的軸快流CO〈,2〉激光器的手持控制面板的研制基于雙單片機沖床數(shù)控系統(tǒng)的研究基于CYGNAL單片機的在線間歇式濁度儀的研制基于單片機的噴油泵試驗臺控制器的研制基于單片機的軟起動器的研究和設計基于單片機控制的高速快走絲電火花線切割機床短循環(huán)走絲方式研究基于單片機的機電產品控制系統(tǒng)開發(fā)基于PIC單片機的智能手機充電器基于單片機的實時內核設計及其應用研究基于單片機的遠程抄表系統(tǒng)的設計與研究基于單片機的煙氣二氧化硫濃度檢測儀的研制基于微型光譜儀的單片機系統(tǒng)單片機系統(tǒng)軟件構件開發(fā)的技術研究基于單片機的液體點滴速度自動檢測儀的研制基于單片機系統(tǒng)的多功能溫度測量儀的研制基于PIC單片機的電能采集終端的設計和應用基于單片機的光纖光柵解調儀的研制氣壓式線性摩擦焊機單片機控制系統(tǒng)的研制基于單片機的數(shù)字磁通門傳感器基于單片機的旋轉變壓器-數(shù)字轉換器的研究基于單片機的光纖Bragg光柵解調系統(tǒng)的研究單片機控制的便攜式多功能乳腺治療儀的研制基于C8051F020單片機的多生理信號檢測儀基于單片機的電機運動控制系統(tǒng)設計Pico專用單片機核的可測性設計研究基于MCS-51單片機的熱量計基于雙單片機的智能遙測微型氣象站MCS-51單片機構建機器人的實踐研究基于單片機的輪軌力檢測基于單片機的GPS定位儀的研究與實現(xiàn)基于單片機的電液伺服控制系統(tǒng)用于單片機系統(tǒng)的MMC卡文件系統(tǒng)研制基于單片機的時控和計數(shù)系統(tǒng)性能優(yōu)化的研究基于單片機和CPLD的粗光柵位移測量系統(tǒng)研究單片機控制的后備式方波UPS提升高職學生單片機應用能力的探究基于單片機控制的自動低頻減載裝置研究基于單片機控制的水下焊接電源的研究基于單片機的多通道數(shù)據(jù)采集系統(tǒng)基于uPSD3234單片機的氚表面污染測量儀的研制基于單片機的紅外測油儀的研究96系列單片機仿真器研究與設計基于單片機的單晶金剛石刀具刃磨設備的數(shù)控改造基于單片機的溫度智能控制系統(tǒng)的設計與實現(xiàn)基于MSP430單片機的電梯門機控制器的研制基于單片機的氣體測漏儀的研究基于三菱M16C/6N系列單片機的CAN/USB協(xié)議轉換器基于單片機和DSP的變壓器油色譜在線監(jiān)測技術研究基于單片機的膛壁溫度報警系統(tǒng)設計基于AVR單片機的低壓無功補償控制器的設計基于單片機船舶電力推進電機監(jiān)測系統(tǒng)基于單片機網(wǎng)絡的振動信號的采集系統(tǒng)基于單片機的大容量數(shù)據(jù)存儲技術的應用研究基于單片機的疊圖機研究與教學方法實踐基于單片機嵌入式Web服務器技術的研究及實現(xiàn)基于AT89S52單片機的通用數(shù)據(jù)采集系統(tǒng)基于單片機的多道脈沖幅度分析儀研究\t"