1、 城市住房价格 PSO-LSSVR预测模型研究 重庆大学博士学位论文 学生姓名：刘 蓉 指导教师：任 宏 教 授 专 业：管理科学与工程 学科门类：管理学 重庆大学建设管理与房地产学院 二 O一四年五月 Research on the PSO-LSSVR Predication Model of Urban Housing Prices A Thesis Submitted to ChongqingUniversity in Partial Fulfillment of the Requirement for the Degree of Doctor of Management By Liu
2、Rong Supervised by Prof. Ren Hong Specialty: Management Science and Engineering Faculty of Construction Management and Real Estate of ChongqingUniversity, Chongqing, China May 2014 中文摘要 I 摘 要 近年来 ， 房地产行业的迅速蓬勃发展是大家有目共睹的。而城市商品住房 作为 其 重要组成部分的也 呈现了稳步增长的趋势 。在住房产业快速发展的过程中，住房价格作为重要的经济杠杆对住房产业化与商品化起着重要的推动作用，
3、住房价格也成为政府、居民和广大房地产开发商普遍关注的焦点。尤其是近年来，持续走高的城市住房价格给城市居民以及整个社会的经济发展都带来了很大的负面影响。与此同时，政府宏观调控措施虽然取得了一定的成效，但是效果不甚明显。基于此，本文将展开对城市住房价格预测模型的研究。通过建立价格预测模型，可以掌握房地产价格走势，合理准确评估预测房价，进而可以对房地产市场的发展展开分析，这对确保我国住房市场稳定健康发展有着重要的作用。 本文的主要研究内容如下： 本文首先梳理了国内外关于住房价格预测的相关研究，并基于已有的研究提出了基于粒子群算法的最小二乘支持向量机（ PSO-LSSVR 模型）的住房价格预测方法。最
4、小二乘支持向量机在建模数据过程中能很好弥补人工神经网络模型和支持向量机的诸多不足，而且粒子群算法能迅速快捷地对参数进行优化，具有精度高、速度快等优点。 通过确定房地产度量指标体系和等级划分标准，详细介绍城市住房价格PSO-LSSVR 预测模型的运作流程。并介绍基于 PSO-LSSVR 模型与模糊灰色理论的房地产市场预测系统架构，通过预测系统构架可以使预测模型更好的发挥作用。 以北京市为例展开预测模型的实证分析。通过构建相应的 PSO-LSSVR 住房价格和成交量预测模型，对北京市房地产市场发展健康状况进行评估。实证分析表明基于粒子群优化最小二乘支持向量回归预测模型优于传统的支持向量回归模型，也
5、证明了 PSO-LSSVR 预测模型用于城市住房价格预测的有效性。 在住房价格、住房成交量的 PSO-LSSVR 预测模型和基于模糊灰色理论的房地产市场评估模型基础上给出了整个房地产市场预测系统的实现过程， 并 详细介绍系统的软件实现过程。 总结本研究的研究成果并对未来的研究提出建议。 本文提出城市住房价格 PSO-LSSVR 预测模型，并结合模糊灰色理论提出一整套房地产市场预测与评估方法，对于房地产市场预测与评估有着非常重要的价值。通过该研究 既可以为各国家及城市政府管理部门制定房地产调控政策，保证房地重庆大学博士学位论文 II 产经济健康、持续、稳定的发展提供重要的手段和决策依据，可以为企
6、业的投资决策提供更多的帮助；也可以更进一步完善我国房地产研究的理论系统，具有重要的理论意义和实践意义。 关键词： 房地产市场，住房成交量，价格预测，灰色理 论，最小二乘支持向量机 英文摘要 III ABSTRACT Along with the dramatic expansion of real estate industry in China, the residential product as an important component in real estate industry has experienced great increase. The price of the r
7、esidential product has been playing a lever role in economy, which also propels the industrialization and commercialization of residential products. In the meantime, the price has gained great amount of attention from the government, residence and real estate developers. Especially in recent years,
8、the continuously increasing price influences adversely the living quality of residence and the entire social economy. Even though, the micro regulations from the government do work, the effectiveness is not obvious. Based on present situation, this research aims to establish a model to predict the p
9、rice of urban residential products. According to the prediction model, the price trend can be forecast, the price of the residential products can be assessed more accurately, and thus, the development of real estate industry can be analyzed, which is significant to ensure the healthy and stable deve
10、lopment of real estate industry. In this research, the main contents are: At first, after reviewing the domestic and foreign relevant researches of the urban housing prices predication, this dissertation proposes the methods to forecast housing prices by using Least Squares Support Vector Machines (
11、PSO-LSSVR Model) based on Particle swarm optimization. Least Squares Support can make up many shortages of Artificial Neural Network Model and Support Vector Machine in the process of Modeling Data. Besides, Particle swarm optimization is able to optimize parameters rapidly with a number of advantag
12、es like high accuracy and speediness. Not only does it introduce the operating process of the PSO-LSSVR Predication Model of Urban Housing Prices by means of confirming the real estate index system and criterion of classification, but also it presents the Framework of Real Estate Market Early Warnin
13、g System based on introducing the PSO-LSSVR Predication and Fuzzy and Grey Systems Theory, which helps the predication model to play its role better. It takes Beijing for example to develop the case analysis of the predication model and assesses the health condition of the development of Beijing Rea
14、l Estate Market by building the corresponding PSO-LSSVR Predication Model of housing prices and trading volume. The case analysis demonstrates that least squares support 重庆大学博士学位论文 IV vector regression (LSSVR) predication model based on Particle swarm optimization is superior to the traditional supp
15、ort vector regression model. Meanwhile, it proves the validity of the PSO-LSSVR Predication Model to forecast the urban housing prices as well. It shows the implementation procedures of the whole Real Estate Market Early Warning System on the basis of the PSO-LSSVR Predication Model of housing price
16、s and trading volume and Real Estate Market Assessment model based on Fuzzy and Grey Systems. Moreover, it introduces the process of the system software realization. Conclusion of theresults and the recommendation for future research. This research introduces the PSO-LSSVR Predication Model of Urban
17、 Housing Prices. Based on Fuzzy and Grey Systems, this research also indicates a set of methods to predict and assess the real estate market. These two results are worthwhile for prediction and assessment of real estate markets. According to the results, this research can assist the administration d
18、epartment to carry out regulation policies, provide methods to ensure real estate industry develop healthily, constantly and stably, help the corporates to make the investmentdecisions, and also complete the theory system for real estate in China. Keywords: Real estate market, Housing volume, Housin
19、g price, Grey theory, Least squares support vector regression. 目 录 V 目 录 中文摘 要 I 英文摘要 III 1 绪 论 1 1.1 研究背景 1 1.2 城市住房价格预测研究的必要性 4 1.3 研究的意义 5 1.3.1 理论意义 5 1.3.2 实践意义 5 1.4 价格预测国内外研究综述 7 1.4.1 住房价格形成机制及定价方法国内外研究综述 8 1.4.2 住房价格周期波动规律及国内外房地产预警研究 9 1.4.3 住房价格预测方法研究综述 10 1.4.4 对现有预测方法的评价 14 1.5 研究内容与论文框架
20、 16 1.5.1 研究内容 16 1.5.2 本文的整体框架 17 1.6 主要创新点 18 1.6.1 理论创新 18 1.6.2 方法创新 19 1.6.3 技术路线创新 20 2 基础理论 21 2.1 LSSVR 和粒子群算法 21 2.1.1 SVM 21 2.1.2 最小二乘支持向量机 22 2.1.3 粒子群算法与 PSO-LSSVR 模型参数优化 23 2.2 模糊数学理论和灰色理论 26 2.2.1 模糊数学理论 26 2.2.2 灰色系统理论 27 2.3 层次分析法 29 2.4 房地产市场周期理论 30 2.4.1 房地产周期阶段划分 30 重庆大学博士学位论文 VI
21、 2.4.2 房地产周期成因 31 2.5 本章小结 33 3 城市住房价格 PSO-LSSVR 预测模型建立 35 3.1 PSO-LSSVR 模型概括 35 3.2 PSO-LSSVR 模型应用于住房价格预测 36 3.3 模型理论基础 37 3.4 确定指标体系及等级划分 40 3.4.1 房地产发展影响因素 40 3.4.2 房地产市场评价指标 42 3.4.3 房地产市场评价指标等级划分 45 3.5 建立城市住房价格 PSO-LSSVR 预测模型 45 3.5.1 城市住房价格 PSO-LSSVR 预测模型系统架构 45 3.5.2 PSO-LSSVR 预测模型运作流程 49 3.
22、5.3 基于模糊灰色理论的房地产市场评估模型运作流程 51 3.6 本章小结 53 4 城市住房价格 PSO-LSSVR 预测模型运用 55 4.1 模型运用概括 55 4.1.1 数据选取 55 4.1.2 指标等级划分 55 4.2 模型运用 56 4.2.1 训练数据构建原理 57 4.2.2 PSO-LSSVR 预测模型构建 60 4.2.3 房地产市场评估 81 4.3 模型运用结论 87 4.4 本章小结 89 5 城市住房价格 PSO-LSSVR 预测模型系统实现 91 5.1 总体结构 91 5.1.1 设计原则 91 5.1.2 总体结构 91 5.2 功能模型 92 5.3
23、 系统实现 93 5.3.1 工具描述 93 5.3.2 数据库 94 5.3.3 界面设计 99 目 录 VII 5.4 本章小结 103 6 总结与展望 105 6.1 论文总结 105 6.1.1 研究结论 105 6.1.2 论文建议 107 6.2 论文展望 111 致 谢 113 参考文献 115 附 录 125 A. 作者在攻读博士学位期间发表的论文目录 125 重庆大学博士学位论文 VIII 1 绪 论 1 1 绪 论 1.1 研究背景 在中国房地产行业由一种新兴的产业逐渐成为我国经济的支柱产业，为我国国民经济的高速发展做出了其他行业无法与之媲美的巨大贡献 1。一方面，我国房地
24、产行业的本身经济总量相当的庞大。 2012 年我国房地产开发企业完成投资额（ 71803.79 亿元）占我国 2012 年 GDP（ 518942.11 亿元）比重高达 13.84%，占全社会固定资产投资（ 374694.74 亿元）比重为 19.16%。另一方面，当前的理论分析都表明了房地产投资的增长对宏观经济的增长有着重要的影响。测算表明 2从 1998年至 2007 年，中国房地产业对 GDP 增长的年平均贡献率高达 21.8%，其中直接贡献率为 9.2%，间接贡献率达 12.6%。国内外相关研究表明我国房地产行业的发展周期还与我国经济周期正相关，房地产市场的繁荣和萧条往往伴随着宏观经济
25、的高速增长和下滑。与此同时，房地产业的高速发展也带动了工程机械、建筑材料、钢铁等多行业的发展，对我国国民经济拉动效应与日俱增。李启明（ 2002）的研究指出，每百亿元的房地产投资项目能够拉动国民经济其他产业的增加值为 286 亿元。 近年来，房地产行业的迅速蓬勃发展是大家有目共睹的。而城市商品住房作为其重要组成部分的也呈现了稳步增长的趋势。 自 1994 年推行城镇住房体制改革以来，我国住房分配体制由实物分 配转向货币化分配，住房市场 总量 需求增加，住房商品化制度确立，市场供给逐步增加，使得住房产业快速发展，房地产迅速成为消费热点和投资热点 3。在住房产业发展的过程中，住房价格作为重要的经济
26、杠杆对住房产业化与商品化起着重要的推动作用。特别是集体消费 的 逐步淡出、个人消费成为住房市场消费主体的情况下，住房价格就成为政府、居民和广大房地产开发商普遍关注的焦点 4。 住房产业的持续快速增长，也带来了商品房价格的持续走高。自 2003年至 2012年，年均涨幅 10.57%， 2012 年比 2003 年上涨 247%。在发 展过程中，全国商品住房价格 总共 经历了三次快速上涨，第一次是 在 1991 年到 1993 年，房价涨幅 1992 年达到高点 31.76%；第二次是 2003 年 -2007 年， 2004 年全国商品住房价格涨幅达到 18.71%， 5 年间年均涨幅达到 1
27、1.7%；第三次则是 2009 年至今，2009-2014 年年均涨幅随比上次快速上涨时期略有回落，但仍达到 12%，其中 2009 年涨幅达到最高点 24.69%。从 2010 年后的房价变化情况看，涨幅虽有所回落，但仍处于高位 5。 房价的持续走高，尤其是近年来房 价过高的问题已十分突出，由其带来的负重庆大学博士学位论文 2 面影响不可小觑。 由于住房是关系到人民群众切身利益的民生问题，房价的节节攀升降低了居民的可支配收入，购房成本地不断增加降低了人民群众的生活水平。 住房价格同比的上升，对居民的可支配收入增长提出了更高的要求， 只有 保持合理的房价收入比，才能保障住房市场的健康发展。据有
28、关部门的统计， 1992 年-2007 年间全国住房平均价增长了有 13 倍之多，房价收入比高达 10-20 倍 6。此外，住房价格涨幅远快于 CPI 和城镇居民收入增长 7。 2012 年，全国商品住房平均价格为 5430 元 /平方米（下同），为 2003 年 2197 元的 2.5 倍，年均涨幅达到 10.57%。而同期 CPI 和城镇居民人均收入涨幅为 3.17%和 9.32%。如果考虑到我国基尼系数居高不下的问题，住房价格涨幅与多数城镇居民收入增幅的差距将明显扩大。过高的房价，对人民群众的生活和社会的稳定都带来很大的影响。 房价的上涨扭曲了社会对房屋需求正常的预期，不但会爆发全社会的 “ 恐慌性购房 ” ，而且逐年 大幅度提高的房地产投资造成房地产发展过热，加大了泡沫的积累。不断增长的房地产投资规模，给大 家传导 了一个 那就是投资房地产可以赢得最好的回报错误信号。因此 ，在房地产的刚性需求之外，又出现了投机需求，导致房地产价格再度上涨 8。 按照我国目前的保障住房体系， 房价畸高使 低收入阶层基本的居住权利没有充分得到保障，高房价拉大了贫富差距，不利于社会公平。 最后，其他产业顾此失彼盲目跟风投资房地产，不能使资源和要素在各行业合理有效的配置，不利于我国国民经济的良性发展 9。 房价过快上涨的风险会对宏观经济的稳定发展构成威胁。有关学者指出，即
