新質生產力視域下廣東省二手房交易市場改革路徑研究

摘要：新質生產力是創新變革新范式，是推動經濟高質量發展的關鍵力量。本文基于2010年1月至2023年2月廣東省十大城市二手房交易的365 393條數據，通過構建XGBoost模型來預測二手房交易的成交價并分析影響成交價的重要特征。研究結果表明，掛牌價格、城市區位、戶型、建筑面積等相關變量是影響二手房成交價的重要因素。結合新質生產力的背景和概念，本文為廣東省二手房交易市場的創新發展提出建議：優化上市價格策略、加大城鎮規劃和基礎設施建設力度、注重多元化戶型以及面積配置、健全市場監管政策以及推動信息化建設可促進廣東省二手房市場交易，同時，可以融入新質生產力的創新活力，共同實現推動區域經濟協調發展的目的。

關鍵詞：新質生產力；二手房交易市場；XGBoost模型；交易價格

2024年1月，中央經濟工作會議在北京舉行，習近平總書記在中共中央政治局第十一次集體學習時強調：“新質生產力是創新起主導作用，擺脫傳統經濟增長方式、生產力發展路徑，具有高科技、高效能、高質量特征，符合新發展理念的先進生產力質態。”[1]當下，我國正步入經濟穩步增長、科技高速發展以及生產力不斷革新的時代，在傳統行業中融入高質量與創新生產力是當下行業改革的主要方向和各行業聚力發展市場經濟的共同目標。據中國統計年鑒數據顯示，2023年中國GDP總額為126.06萬億元，GDP增速為5.20%，經濟發展韌性強。在我國龐大經濟體量的核心圈內，房地產占據著重要地位，是經濟高速運轉的核心引擎之一。從二手房交易市場領域來看，2023年全國二手房市場成交套數約為596萬套，面積約5.7億平方米，成交金額約7.1萬億元，成交面積和成交金額比2022年分別增長44%和30%。作為中國經濟支柱的產業之一，房地產行業如何在新質生產力時代下進行革新，尤其針對二手房交易市場的高幅度增長，如何融合新質生產力，為二手房交易市場注入創新發展的平臺與技術，是維持我國二手房的市場流通和促進產業不斷興盛發展的重要路徑。

廣東省作為中國經濟最為發達的地區之一，有著龐大的二手房交易市場。尤其是珠三角各市以及周邊其他城市的聯動形成了一個活躍的區域二手房交易市場。目前，廣東省二手房交易市場仍處于傳統的運轉模式，交易房屋信息不透明，業主定價無依據導致價格不符合市場需求，進而延長成交周期，造成二手房屋交易困難，不利于二手房交易市場的運轉。因此基于廣東省近年來各城市的二手房交易的數據，從房屋相關的相關變量如：“城市”、“商圈”、“房屋戶型”等角度出發，基于大數據采用機器學習的方法預測廣東省二手房成交價格，為二手房交易定價提供符合市場需求的模型依據。同時，研究影響廣東省二手房成交價格的重要特征，從重要特征的角度出發提出新質生產力背景下廣東省二手房交易市場的發展革新路徑。

目前，關于我國二手房交易領域的研究焦點主要集中在房價的驅動因素及其空間差異性。在西安市的案例分析中，羅琳等人 （2023）發現，二手房價格表現出明顯的空間異質性，[2]房齡是一個重要的影響因素，同時，靠近重點小學和公園的房產價格會有顯著提升；在政策影響方面，馮晗等人 （2022）在杭州的研究揭示了義務教育公民同招政策改革后，[3]學區房溢價顯著上漲，這反映了公共教育資源分配的不均衡性；紀宇凡等人 （2022）在南京的研究指出，[4]房屋的面積和樓層對房價有負面影響，而臥室數量、朝向和綠化率則對房價有正面作用，房產若靠近地鐵站、市中心、學校和公園，其價格會更高；涂錦等人 （2021）對成都市與重慶市的比較研究顯示，[5]區域位置、房屋屬性和購房政策是影響房價的主要因素，并建議根據城市特點進行政策調控；在估價模型方面，邢會歌等人 （2021）證實了神經網絡分位數回歸模型在預測二手房價格區間時，[6]比傳統線性模型更為精確和穩定；張望舒等人 （2020）使用Lasso-GM-RF組合模型對北京市二手房價格進行預測的研究也表明，[7]該模型在不同經濟環境下均能提供良好的評估效果；武婷等人 （2019）在廣州的研究中發現，[8]空氣質量對房價有顯著影響，PM10濃度的降低與房價上升相關，而PM2.5濃度與房價呈正相關，這強調了優化城市空間布局的必要性。

依據目前二手房交易市場的研究文獻方向，研究領域針對廣東省二手房交易的文獻較少。因此，本文基于廣東省十大城市，從大數據的角度，采用機器學習方法XGBoost對廣東省二手房的成交價進行預測，并分析影響二手房成交價的重要特征，以期為新質生產力視域下廣東省二手房交易市場的改革路徑提出創新發展方向。

一、數據來源和研究方法

（一）數據來源

本文依據鏈家二手房信息網公開發布的廣東省十大城市二手房交易相關數據，匯總了2010年1月1日至2023年2月13日廣東省十大城市二手房交易共384 508條數據，涉及13個變量，篩除缺失成交價信息的數據后共剩余365 393條數據。數據集包含變量為：“成交價格 （萬）”、“掛牌價格 （萬）”、“調價 （次）”、“建筑面積 （m2）”、“建成年代”、“城市”、“成交年份”、“區域”、“商圈”、“小區”、“房屋戶型”、“房屋朝向”、“配備電梯”、“房屋用途”。其中，數據涉及的10座城市分別為廣州、深圳、珠海、佛山、東莞、惠州、中山、江門、清遠、湛江。具體的變量定義、取值和單位匯總如表1所示。

（二）研究方法

基于上述廣東省十大城市的二手房交易數據，采用機器學習的XGBoost方法，以 “成交價格 （萬）”為預測對象，與剩余的13個變量進行擬合。XGBoost是一種高效的梯度提升樹算法，通過逐步增加決策樹來增強預測能力。每次迭代時，XGBoost根據當前模型的誤差構建新的決策樹，將新樹的預測結果加入現有模型以修正誤差。擬合過程包括初始化預測值、計算殘差、構建新決策樹和更新預測值。XGBoost通過正則化機制來防止過擬合，支持并行計算和缺失值處理，廣泛應用于分類、回歸和排序等任務。整體上，XGBoost采用向前式分布可加的建模方式，且基礎學習器為包含J個葉節點的決策樹，具體公式可表示為：

fb（X）= fb-1（X）+βb hb（X;αb）= fb-1（X）+ ∑Ji=1 γjb I （X∈Rjb）

其中，fb（X）是第b輪迭代后模型的輸出； fb-1（X）為第b-1輪迭代后模型的輸出；βb即第b輪迭代的學習率，控制新加的樹的權重；hb（X;αb）為第b輪迭代中新加的回歸樹，參數為αb；新加的樹對應的輸出則用∑Ji=1 γjb I （X∈Rjb）表示。

XGBoost算法每次迭代，不僅以損失函數最小為目標解決決策樹，而且構造目標函數，并以目標函數最小為目標解決決策樹。目標函數由損失函數和復雜度函數兩個部分組成：

objB （θ）=L［yi， fB （Xi）］+Ω［ fB （X）］

其中，L［yi， fB （Xi）］為損失函數 （回歸預測可采用平方損失函數），分類預測可采用交互熵；Ω［ fB （X）］代表模型（決策樹）的復雜度。對第b次迭代，目標函數為：

objB （θ）= ∑Ni=1 L［yi， fb-1 （Xi）］+ ∑Ji=1 γjb I （X∈Rjb）+Ω［fb-1 （X）］+ Ω［∑Ji=1 γjb I （X∈Rjb）］

其中，Ω［fb-1 （X）］是fb-1 （X）的復雜度；Ω［∑Ji=1 γjb I （X∈Rjb）］ 為第b次迭代新增決策樹的復雜度。XGBoost以損失函數和復雜度之和為最小目標，每次迭代的目的是要找到目標函數最小下的新增決策樹，通過泰勒展開得到損失函數在fb（X）處的近似表達[9]。

通過上述步驟，XGBoost可以有效擬合數據，提高預測能力，并通過正則化防止過擬合。

二、數據預處理

由于數據集中存在缺失數據，因此，在進行XGBoost擬合之前需要對數據的缺失值進行填充，主要分為以下兩個方面：一是對數值變量缺失值進行填充，對 “掛牌價格 （萬）”“建筑面積 （m2）”“建成年代”分別計算均值填充為缺失值并對數值數據進行標準化；二是對類別變量缺失值進行填充，對 “城市”“成交年份”“區域”“商圈”“小區”“房屋戶型”“房屋朝向”“配備電梯”“房屋用途”中的缺失值填充為該變量取值的眾數。

基于XGBoost算法對模型二手房成交價格進行預測，模型涉及的變量需要為數值形式，因此，需要對類別變量進行處理，將類別變量的取值轉化為數值型。因此，采用獨熱編碼將每個類別轉換為新的二進制特征來處理分類變量。一個有10種類別的特征如 “城市”，經過獨熱編碼后生成10個新的特征，每個特征對應一個類別。

三、實證分析

經過數據預處理后的數據集，在Python環境中安裝XGBoost 庫，將80%的數據劃分為訓練集，20%的數據劃分為測試集。同時，設置XGBoost算法所需的參數，由于數據量較大達到365 393條，為防止過擬合以及減少算力，采用50棵樹，樹的最大深度設置為3，學習率為初始值0.1，每棵樹采用80%的特征。使用參數對模型進行擬合以及預測，由于預測值達到對應的樣本數目共365 393條數據，僅輸出并展示部分預測結果如表2所示。

基于擬合的XGBoost模型，需要對模型的擬合效果進行評估，計算相應的模型性能的評估指標，具體的指標計算結果如表3所示。

根據模型預測的結果，均方誤差 （MSE）為4 510.895 0，均方根誤差 （RMSE）為67.163 2，平均絕對誤差 （MAE）為20.616 6，決定系數 （R2）為0.917 5。均方誤差的取值越小，說明預測值與真實值整體的誤差較小。該XGBoost模型的決定系數為0.9175非常接近1，說明模型的擬合效果很好，模型能夠解釋91.75%的數據變異。

在整個訓練過程中，XGBoost模型持續評估每個特征的增益，并將這些信息累積起來，最終為每個特征生成一個重要性評分。這種方法可以有效識別出對預測結果影響最大的特征。XGBoost中的特征重要性是根據特征在決策樹中的使用頻率和其分裂增益來計算的。在訓練過程中，XGBoost會生成多棵決策樹。每次生成決策樹時，算法會選擇一個特征來進行節點分裂，這個選擇取決于該特征的分裂增益，即該特征在分裂時對減少模型誤差的貢獻。分裂增益表示某個特征在分裂節點時對提升預測準確性的貢獻。每當一個特征被用于節點分裂時，都會計算其增益，這些增益值會被累積，形成該特征的總重要性值。因此，特征的重要性反映了其在所有決策樹中的使用頻率和貢獻度。累積增益越高，說明該特征對模型的貢獻越大，對預測結果的影響也越明顯。依據上述XGBoost預測模型，可進一步計算重要特征以及重要性值。模型輸出前10個重要特征以及重要性值如表4所示。

XGBoost預測模型中，首先，最重要的特征為 “num-掛牌價格 （萬）”，對應的重要性值為0.313 983，說明掛牌價格是影響預測成交價格的最主要因素；其次是城市特征，“cat-城市-深圳”和 “cat-城市-廣州”也具有較高的重要性值，表明城市信息對房屋成交價有顯著影響；排在第三位的重要特征是房屋戶型，“cat-房屋戶型-一室一廳”作為重要特征，說明不同戶型對成交價的影響較大；最后是其他特征，包括區域、建筑面積、房屋朝向、商圈、建成年代和成交年份等。

四、結束語

（一）結論

本文通過XGBoost模型詳細分析廣東省二手房市場交易數據，探索二手房市場交易改革在新質生產力視域下的路徑。該模型評估結果表明最好模型的均方誤差 （MSE）為4510.8950，均方根誤差 （RMSE）為67.1632，平均絕對誤差 （MAE）為20.6166，R2為0.9175表明該模型預測準確率和解釋力較高。該模型的特征重要性分析表明，掛牌價格、城市位置尤其是深圳和廣州、房屋戶型、區域、建筑面積、房屋朝向、商圈、建成年代和成交年份等因素對成交價格有顯著影響。基于上述研究內容，以下三點可以歸納出本文的研究結論：第一，二手房交易價格最主要的影響因素是掛牌價格。因此，合理的掛牌價格既可以促進房屋交易，又可以通過市場化手段優化資源配置，在新質生產力背景下提高市場整體效率；第二，城市區位對房價影響明顯。成交價格受城市區位影響較大，尤其是深圳與廣州，這反映出各地房價差異明顯。深圳、廣州作為廣東省的核心城市，基礎設施水平較高，市場吸引力較強，因此具有較高的市場需求；第三，戶型、建筑面積等也會對成交價格產生重要影響。成交價格的重要影響因素還有房屋的戶型和建筑面積。隨著新質生產力的發展，購房者對房屋內部結構和使用面積的要求更高，從而驅動開發商提供更具適用性的房屋設計，這種需求是開發商必須考慮的問題。

（二）建議

結合新質生產力背景，筆者提出以下建議，期望以新質生產力賦能交易市場改革發展為切入點，進一步完善廣東省二手房交易機制。

第一，優化上市價格策略，增強市場交易活力。在新質生產力視域下，通過精準定價提升房源吸引力，促進房屋的順利成交，從而提高市場的整體效率和生產力。房地產中介和賣方應以大數據分析和市場動態為基礎合理定價，避免掛牌價格過低或過高而導致二手房滯銷。

第二，加大城鎮規劃和基礎設施建設力度，增強城鎮競爭力。政府應進一步完善深圳、廣州等核心城市規劃和基礎設施建設，以宜居、便民等特點吸引高素質人才和資本流入，促進房地產市場健康發展，進而促進區域整體生產力水平的提高。

第三，注重戶型以及面積配置，滿足多元化需求。基于市場需求和新質生產力發展的要求，開發商應提供多樣化的合理面積配置以滿足不同購房者的需求，增強住房市場競爭力，從而促進市場的高效運行和資源的優化配置。

第四，健全市場監管政策，增強市場透明度和公正性。政府要保證房價的合理波動，防止惡意炒作，保持市場健康穩定發展，這是在新質生產力背景下通過政策引導和市場調節實現的。同時，提高市場透明度，保障買賣雙方利益，以透明的市場信息公開機制促進市場的公平公正。

第五，推動信息化建設，提高交易智能化水平。利用先進的信息技術和智能化手段幫助買賣雙方做出更加科學合理的決策，促進交易率和市場活力的提升，進而促進新質生產力的發展和應用，為二手房交易平臺的功能和服務水平提供全面的市場信息和交易數據。

廣東省二手房市場將通過上述改革路徑實現健康、穩定、可持續的發展目標，從而更好地適應新質生產力的發展要求。此舉既能促進房地產市場整體增效，又能促進區域經濟協調優質發展，為全省經濟提供堅實有力的支撐。

參考文獻：

[1] 趙愛玲.新質生產力 中國經濟的未來動能[J].中國對外貿易，2024（04）：8-10.

[2] 羅琳，楊喜平，李繼園.西安市二手房價格的影響因素及空間異質性[J].地域研究與開發，2023，42（04）：57-63.

[3] 馮晗，陳海敏，周洪.公民同招改革與學區房溢價變化：基于杭州二手房交易微觀數據的研究[J].中國經濟問題，2022（05）： 182-196.

[4] 紀宇凡，戴靚，丁子軍，等.城市二手房價格的影響因素及其空間效應：基于MGWR模型對南京的實證[J].資源開發與市場， 2022，38（07）：777-783+896.

[5] 涂錦，蔣宛晨，冷正興.我國城市房價影響因素的差異化研究：基于成都市二手房市場大數據的分析[J].價格理論與實踐， 2021（10）：75-78.

[6] 邢會歌，錢蘇琴.城市二手房價格區間估計方法研究：基于神經網絡分位數回歸模型的分析[J].價格理論與實踐，2021（05）：85-88+194.

[7] 張望舒，馬立平.城市二手房價格評估方法研究：基于Lasso-GM-RF組合模型對北京市二手房價格的分析[J].價格理論與實踐，2020（09）：172-175+180.

[8] 武婷，沈靜.城市空氣質量對住宅價格的影響研究：基于廣州市二手房的大數據分析[J].規劃師，2019，35（10）：47-52.

[9] 薛薇.Python機器學習：原理與實踐[M].北京：中國人民大學出版社，2021：162-163.

作者簡介： 陳晞琳，女，漢族，廣東汕頭人，碩士研究生，中級統計師，研究方向：數字經濟、統計學。