天津市房價的影響因素分析

(天津財經大學 天津 300222)

一、文獻綜述

劉暢(2014)選取2003-2013年的季度數據建立VAR模型，以研究貨幣政策對住宅價格的影響，結果顯示影響大小依次是：居民可支配收入,貨幣供應量,5年以上的貸款利率。劉美辰(2017)利用卡爾曼濾波估計法，對影響山東省房地產價格的因素進行分析，發現國內生產總值、人均可支配收入以及開發商投資額的變動都會對房價產生影響。孫春波運用1999-2011年天津市人口要素各項數據和住宅價格數據為基礎，利用關聯度模型進行分析得出結論：人口要素和房價之間有很強的相關性。

丁鳳(2014)分別用時間序列方法、灰色關聯度和BP神經網絡對房價進行預測并比較預測效果，發現BP神經網絡模型的預測效果最好。崔慶都(2011)選取五個主要因素作輸入變量，房屋均價作輸出變量，構建BP神經網絡模型，測試結果顯示預測精確度達到99.91%。周琴(2016)結合莆田市10年的數據構建了BP神經網絡，并根據指數平滑法得出的接下來5年的輸入變量值，預測了5年的莆田市房價。

關于房價，許多學者都進行了研究，對于其上漲因素也得到了不同的結論。總體來說，房價的影響因素主要來自于需求、供給、經濟等幾個方面。收入、人口、土地購置情況、房地產投資情況、貨幣供應量等均對房地產價格有著或多或少的影響。除了對影響房價的因素進行傳統分析，許多學者也運用了不同的方法分析和預測房價，其中，比較常用的有灰色關聯度模型、VAR模型以及BP神經網絡等。其中BP神經網絡表現出了較好的預測效果。

二、理論分析

房價的影響因素是復雜的，結合學者們的研究和現實經濟意義，可以從供給、需求、經濟因素和其他等四個方面來對其進行分析。

從經濟學角度來說，供給和需求是決定商品的價格兩個方面。土地購置面積就是通過供給方面來影響房價的。從經濟意義上講，土地購置面積越多，說明了對商品房的供給越多，房價的增長速度應該放緩直至下降。然而，這些年來，房地產行業一直處于需求大于供給的狀況，導致近些年雖然房價增速有放緩的趨勢，但是整體上依然是上漲的。同時，房價也影響著土地購置面積。房價的上漲讓廠商看到了有利可圖，因此廠商會加大投入，以謀取更多利潤。

房價上漲的一個重要因素就是對住房的需求增加，而導致需求增加的一個重要方面就是人口因素。對住房最直接的需求是來自于人口數量的增長。隨著城鎮化的發展，城鎮的人口也越來越多，對住房的需求也越來越多。

除了供需原因，經濟發展的影響也是不容忽視的因素。住宅和普通商品還是有一定的差別，僅從供給和需求的角度考慮是遠遠不夠的。房地產行業的火熱前景，吸引了許多富商。經濟條件優越的居民，越來越多的愿意將手中的閑置資產用來購房以求房價升值而獲利，因此住房也逐漸成為了一種投資品。投資越多，房地產發展受到的影響也就越大。從整個經濟環境來說，GDP作為目前衡量一個國家經濟發展情況的指標，必然也從某些方面對房價產生著影響。居民收入作為居民購房的主要資金來源難免和房價增長之間有一定的聯系。從這一角度考慮，房地產開發投資額以及GDP也是影響房價的因素。

除了供需以及經濟因素，貨幣政策的影響也不容忽視。許多國內外學者對房價的研究中，都提到過貨幣供應量的影響。多數學者的分析認為，貨幣供應量會對房價產生正向影響，但是也有一些學者研究結論是貨幣供應量的增加會使房價下降。

三、實證分析

住宅價格受到多方面的影響，其內在影響過程和影響因素復雜且多變。根據上面的分析，我們確定了幾個可能對房價影響較大的因素，試圖構建BP神經網絡，來觀察所選取的幾個變量對房價的預測效果。

(一)數據選取與處理

從國家統計局和國研網數據庫選取了天津市住宅平均銷售價格以及可能對住宅銷售價格產生影響的城鎮居民人均可支配收入、土地購置面積、城鎮人口數量、GDP、房地產開發投資額和貨幣供應量的1999-2016年的相關數據，如下表：

表1

(二)BP神經網絡進行房價預測效果分析

1.數據歸一化處理與網絡參數設置

構建神經網絡前首先要對數據做歸一化。一般情況下，數據歸一化處理將數據歸一化到[-1,1]。事實上，大多數神經網絡采用的是S型激活函數，它的值域是在0到1之間。所以本文將數據歸一化到[0,1]。具體公式如下：

xp為樣本數據，xmin和xmax分別一組樣本數據的最小值和最大值。根據這一公式，可以將原始的數據都歸一化為0到1之間的數值。

歸一化后的數據讀入matlab，用matlab進行訓練。將1999-2015年數據作為訓練數據，2016年數據作為測試數據。以城市居民人均可支配收入、土地購置面積、城市人口、GDP、房地產開發投資額和貨幣供應量為輸入數據，以住宅價格作輸出數據。所以輸入層的節點有6個，輸出層節點有1個。隱藏層節點數通常由公式：確定。N代表隱藏層節點數，m代表輸入層節點數，l代表輸出層節點數，a是常數，它的取值在1-10之間。隱藏層節點數通常需要多次嘗試得到，本文合適的隱藏層節點數應在4-13之間，經過多次實驗，確定出誤差最小的層節點數為12。

關于傳遞函數的選取，隱含層選擇tansig作為傳遞函數，輸出層選用purline作為傳遞函數。

2.訓練和測試結果

構造出網絡后，對數據進行訓練，得到了performance圖和擬合圖。從performance圖能夠看出經過7次訓練達到所設定的精度要求。

圖1

在確定了網絡并完成了訓練后，下面用2016年的測試數據來得到2016年住宅價格的預測結果。輸入后得到的住宅價格的歸一化數據為0.9982。實際的2016年住宅價格的歸一化數據為1。也就是說經過反復訓練確定的神經網絡預測效果較好

通過上面的結果可以看出，采用所選取的城鎮居民人均可支配收入、土地購置面積、城鎮人口數量、GDP、房地產開發投資額和貨幣供應量M2做為輸入變量所構建的BP神經網絡對房價的預測較為理想，說明這幾個變量確實是對房價產生主要影響的因素。

四、結論

房價的影響因素十分復雜，學者的研究，房價的影響因素基本來自幾個主要方面。本文在現有學者的研究基礎上，總結了城鎮居民人均可支配收入、土地購置面積、城市人口、GDP、房地產投資完成額和貨幣供應量6個因素，認為這些因素是對天津市住宅價格產生主要影響的因素。將這些因素作為輸入變量，住宅價格作為輸出變量，所構建的BP神經網絡對住宅價格的預測效果較為理想。因此有理由認為這些因素是影響房價的重要因素，通過利用這幾個指標的相關信息對天津市房價來進行預測是可行的。