南宁市二手房价格影响因素分析及房价走势的预测

南宁市二手房价格影响因素分析及房价走势的预测

邝文竹;刘琳

【摘 要】选择南宁市江南区、西乡塘区、青秀区以及兴宁区的二手房销售数据，

以地理因素为例，运用方差分析和Fisher最小显著差异法研究南宁市二手房售价

的影响因素，并用回归分析和BP神经网络预测与其它城区有显著差异的城区的二

手房售价随房龄变化的情况。结果发现，西乡塘区和江南区二手房平均售价的均值

无显著差异（P〉0．05），青秀区二手房平均售价的均值与江南区、西乡塘区、

兴宁区的有显著差异（P〈0．05），均值差分别为0．23000、0．24310、

0．08553，地理因素对二手房价格有显著影响，青秀区的二手房平均售价在4个

城区中是最高的，房价随房龄的增加，呈不规则变化。%According to the study

of second-hand house sale data with taking geography factors as sample,

by variance analysis and Fisher least significant difference method, the

factors that influence the price of second-hand house in Jiangnan,

Xixiangtang, Qingxiu and Xingning districts are studied. The regression

analysis and BP neural network are used to predict the relationship of

second-hand house price changes with the house age. The method is

valuable for reference and the research results are based on the facts.

【期刊名称】《广西科学院学报》

【年(卷),期】2012(028)002

【总页数】3页(P110-112)

【关键词】房价;回归分析;BP神经网络

【作 者】邝文竹;刘琳

【作者单位】广西大学数学与信息科学学院,广西南宁530004;广西大学数学与信

息科学学院,广西南宁530004

【正文语种】中 文

【中图分类】O212.1

文献[1]利用经典的住房Hedonic价格模型,对影响住房价格的因素,如区位、环境、

设计风格、建筑结构等,做具体的实证研究,并取得较好的结果。但是,目前南宁市二

手房市场的销售案例中,记录的住房特征不全面,给分析和预测住房价格影响因素提

出新的挑战。本文根据南宁市二手房销售数据,以城区地理因素为例,研究单位面积

售价的影响因素,并预测二手房单位面积售价随房龄变化的情况,取得了较好的研究

结果。

1.1 二手房价格原始数据的收集及检验

分别从广西房产街和南宁市阳光居易房屋经纪有限责任公司,收集南宁市4个城区

2010年全年的二手房销售案例作为样本。剔除异常值后,江南区有73个样本、西

乡塘区有126个样本、青秀区有135个样本、兴宁区有60个样本。以城区地理

因素为例,运用方差分析和Fisher最小显著差异法研究二手房价格的影响因素。通

过SPSS软件将每个区的原始数据绘制图形,并进行皮尔逊χ2检验。

1.2 二手房价格的回归分析

不同的二手房具有不同的特征,这些特征共同影响房价[2]。结合这些住房特征,可以

运用回归分析评估二手房的价格。以因素：房龄(x1)、卧室个数(x2)、楼层(x3)为

例,用y与自变量做多元线形回归,回归模型为：

1.3 二手房价格的BP神经网络预测

BP神经网络在处理非线性问题上,显示出特殊的优越性,它具有良好的逼近能力、误

差可以控制[3],目前也有不少相关的应用。

下面以一个两层的BP神经网络为例,预测给定因素的二手房价格。为了提高神经网

络的训练效率,需要对样本集数据作必要的预处理。城市住房价格遵循边际效用递

减规律[4,5]。因此,可以用指数形式将住房价格表示如下：

在评价回归分析模型和BP神经网络模型的模型拟合效果时,选择两个评价指标。第

一个是,均方

2.1 数据检验与分析

检验结果表明,江南区、西乡塘区和青秀区的样本总体均服从正态分布。比较特殊

的是兴宁区的检验统计量：η=14.4786,临界值为χ27(0.05)= 7.815,由于这一区的

样本量相对较少,可能存在缺失数据,需要作进一步的方差齐性检验[2]。

用SPSS软件计算Levine方差齐性检验,得F0.05=3,390≈2.625,L=8.04301＞

2.625,表明方差不齐。要解决该问题,可以把原始尺度下的测量值系统地转化为新

尺度。对原始数据进行取自然对数的变换,将变换后的数据再次进行方差齐性的

Levine检验,结果P=0.06715＞0.05。可以认为经过对数变换后,4个总体的方差都

相等。用SPSS计算其峰度-偏度检验,结果变量的偏度为0.155 (标准误差0.309),

峰度为0.129(标准误差0.608)。数据的偏度和峰度都接近于零,故可以认为该数据

的总体服从正态分布。

以地理因素为例,对数据进行方差分析,检验统计量为F=27.36157,P=4.43924e-16,

临界值为2.62779。按α=0.05水平,拒绝H0。故可以认为不同城区的地理因素对

二手房价格有显著影响,这与南宁市各城区的实际情况相符。

对二手房销售价格的差异作进一步研究。按照LSD方法[6],首先利用方差分析检验,

令假设为H0：μ1=μ2=…=μ4,其检验的统计量为F=27.36,

α=0.05,df1=3,df2=390,由于27.36＞2.63,拒绝H0,则至少有一个总体均值与其

余的不同(P= 4.43924e-16)。对于给定的α=0.05,μi对μj的最小显著差异为

LSDij。由于样本容量不同,(ni≠nj,i,j=1,2,3,4),所以每次计算的LSDij值也不同。直

接用SPSS软件的多重比较功能计算,结果如表1所示。

根据表1中的P值,当P＜0.05时,两个样本之间有显著性差异。在所有的成对比较

中,只有西乡塘区和江南区的P=0.71110＞0.05。即西乡塘区和江南区平均售价的

均值无显著差异。由于西乡塘区和江南区既没有商业街市,又不是城市中心,所以这

两个城区的住房格局和周围的居住环境相差不大。由表1的第二组值可见,青秀区

和其他3个城区的P值均小于0.05。青秀区平均售价的均值和其他3个城区有显

著差异,而且青秀区与江南区、西乡塘区、兴宁区的均值差分别为0.23000、

0.24310、0.08553,均大于零。青秀区的二手房平均售价在4个城区中是最高的,

这和青秀区的有利地理条件有很大关系。在种种条件的刺激下,青秀区的二手房价

格也和该地的新楼盘价格一样出现上涨。

2.2 青秀区二手房价格分析与预测

2.2.1 回归分析

以广西房产街收集的二手房登记个案为依据,选取青秀区2011年以前建成的房屋

的175个案例作为样本,用SPSS软件计算,观察回归分析输出表,在0.05的显著水

平下x2(卧室个数)的系数显著性经验不通过(t=-0.9826,P=0.3272＞0.05)。剔除

x2,再用SPSS计算,通过观察回归分析的方差分析,F=16.9421,P=1.922e-07,说明

回归方程高度显著,x1,x3整体上对y有高度显著的影响。回归方程为

由方程(1)看出,房龄对单位面积售价产生负的影响。但是二手房的价格预测涉及的

不确定因素众多,预测的过程往往是非线性的,所以回归分析只能初步估计二手房的

价格走势。

2.2.2 BP神经网络预测

BP神经网络的拟合效果评价的各项指标值比线性回归拟合的各项指标值小,显示出

较强的拟合能力。

从图1可以看出,青秀区的房价随着房龄的增加,呈现出不规则的变化。报告期为

2010年,可以把房龄为2～50年的预测结果分为3个时间段分析。

在房龄为2～10年时,房价的折旧费并不是有规律的递增或递减,这与房价由于折旧

而逐年递减不相符合。原因是由于最近几年国家出台相关的房地产政策,影响二手

房的销售价格。例如2007建成的房屋(房龄为3年)价格到了2010年会因折旧而

降低,但是其下降的速度没有房价上涨的速度快,所以出现了上面的反常情况；在房

龄为10～40年时,二手房的单位面积销售价格基本持平,略微有规律的折旧变化。

价格随着房龄的增大而递减,而且“递减值逐渐”变小。可以认为,这个时间段的二

手房价格受国家政策调控或者其它外界因素的影响较少,其价格变化是由房屋的自

然老化、破损而引起的折旧；在房龄为40～50年时,单位面积销售价格上涨,与实

际情况不符。这可能与BP神经网络固有的缺陷：过拟合和推广能力差有关,它们造

成对40年房龄的房价预测不精确。

Vapnik提出的支持向量机[7]则可以较好地解决上述缺陷问题。此外,处理非线性

问题时还可以运用非线性回归分析、时间序列模型、灰色系统模型等,根据实际问

题采用不同的模型以获得更高的预测精度[8]。

本文以2010年全年的南宁市二手房市场数据为例,对南宁市二手房价格影响因素

进行分析及预测。发现南宁市不同城区的地理因素对二手房价格有显著影响。青秀

区的房价随着房龄的增加,呈现出不规则的变化。

[1]邹高禄.二手房价格对于住房特征和区位变化敏感性分析[J].西南师范大学学

报,2005,30(3)：552-555.

[2]Dipasquale D,Wheaton W economics and real estate

markets[M].Englewood Jersey：Printice-Hal1.1996,35-36,65-

72,189-l92.

[3]许东,吴铮.基于MATLAB 6.X的系统分析与设计——神经网络[M].第2版.西安：

西安电子科技大学出版社,2002.

[4]Harrison D M,Smersh G T,Schwartz A L,et nmental determinants

of housing prices：the impact of flood zone status[J].Journal of Real Estate

Research,2001,21(1/2)：3-20.

[5]古扎拉蒂.计量经济学[M].第3版.林少宫,译.北京：中国人民大学出版社,2000.

[6]张忠占.统计学方法与数据分析引论[M].北京：科学出版社,2003.

[7]阮连法.一种新的二手房价格评估方法[J].统计与决策,2004(1)：120-121.

[8]苏一丹,李桂.流体神经网络模型在规划物流陪送运输方案中的应用[J].广西大学

学报,2002,27(3)：204-206.