基于统计学习方法的住房流动性研究
发布时间：2022-01-24 21:07
住房从实物形态向价值形态的转变能力（简称为变现能力）,即为住房流动性。在我国住房市场中尚未形成对住房流动性系统性和准确的度量指标和分析方法。传统研究中通常将销售持时（指住房单元从挂牌到销售达成的间隔时间）作为住房流动性的衡量指标,将住房搜寻模型作为住房流动性研究中普遍使用的基础理论模型。本文选取成交周期（销售持时）作为住房流动性的衡量指标,并将其离散化为住房流动性“好”、住房流动性“差”两类,作为输出变量。通过住房流动性影响因素的研究,选取影响住房流动性的因素作为输入变量。然后,通过网络爬虫技术根据所选特征从相关网站获取本文研究分析所需的数据。最后,基于统计学习方法,利用所获得数据构建C5.0分类预测模型。研究分析发现住房流动性与住房所在商圈、住房面积有很大的关系,同时住房所在的楼层、房屋朝向、住房周围是否有学校、地铁分布等也是影响住房流动性的重要因素。关于住房流动性的分类预测模型对于理论检验,实际应用都具有重要的价值和意义。
【文章来源】：北京理工大学北京市 211工程院校 985工程院校
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
买方心理承受价格bP分布图
北京理工大学硕士学位论文6图 2.1 买方心理承受价格bP 分布图2.2 住房流动性的影响因素影响住房流动性的因素包括宏观与微观两个方面，如图 2.2 所示：图 2.2 住房流动的影响因素微观因素主要包括住房特征的影响和卖方搜寻策略的影响；宏观因素主要反映在住房市场整体流动性水平的系统性变化，包括季节因素、利率、失业率、首付款比例等。住房特征主要表现为待售住房的受欢迎程度及其特殊化程度。对于受欢迎程度高的住房买方的报价频率会相对较高，买方与卖方的心理承受价格也会更有可能实现匹配。例如，良好的小区环境、合适的楼层、便利的配套设施等。特殊的住房结构特征及区位便利设施使住房具有各自不同的特征
并将其判定为机器人而不是人类用户对网页进行浏览的呢？目标网站户”采集信息或者出于对服务器的维护设立了反采集机制，其中的一户”行为（包括单位时间内对网站的浏览次数，发送的请求信息等）分类，对判定为行为异常的用户网站对其发送警示验证信息或直接对。今天，统计学习方法已经被应用到网络通信、人工智能、模式识别、数据挖掘等众多领域。分类是一种重要的数据分析形式，它是统计组成部分之一。本文采用分类方法，以住房流动性为研究对象，结合的宏微观因素来构建住房流动性分类预测模型。该部分主要对分类统型评估与选择做简要概述。本概念学习是关于计算机基于数据构建概率统计模型并运用模型对数据进行门学科[8]1。统计学习的前提是假设同类数据具有一定的统计规律性， 所示：
【参考文献】：
期刊论文
[1]决策树C4.5连续属性分割阈值算法改进及其应用[J]. 姚亚夫,邢留涛. 中南大学学报(自然科学版). 2011(12)
[2]住房流动性对房价指数的影响及其定量分析[J]. 张博,郑思齐,吴璟,刘洪玉. 中国房地产. 2011(04)
[3]土地政策与住房流动性关系的实证分析[J]. 边瑞灼. 价值工程. 2010(07)
[4]决策树算法综述[J]. 谢金梅,王艳妮. 软件导刊. 2008(11)
[5]Determinants of Housing Liquidity in Chinese Cities:Does Market Maturity Matter?[J]. 吴璟,郑思齐. Tsinghua Science and Technology. 2008(05)
[6]住房流动性研究述评[J]. 吴璟,郑思齐,刘洪玉. 经济评论. 2008(04)
[7]决策树算法及其核心技术[J]. 杨学兵,张俊. 计算机技术与发展. 2007(01)
[8]决策树技术及其当前研究方向[J]. John Durkin,蔡竞峰,蔡自兴. 控制工程. 2005(01)
硕士论文
[1]住房流动性的度量及在市场预警中的应用[D]. 张博.清华大学 2010
本文编号：3607302
【文章来源】：北京理工大学北京市 211工程院校 985工程院校
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
买方心理承受价格bP分布图
北京理工大学硕士学位论文6图 2.1 买方心理承受价格bP 分布图2.2 住房流动性的影响因素影响住房流动性的因素包括宏观与微观两个方面，如图 2.2 所示：图 2.2 住房流动的影响因素微观因素主要包括住房特征的影响和卖方搜寻策略的影响；宏观因素主要反映在住房市场整体流动性水平的系统性变化，包括季节因素、利率、失业率、首付款比例等。住房特征主要表现为待售住房的受欢迎程度及其特殊化程度。对于受欢迎程度高的住房买方的报价频率会相对较高，买方与卖方的心理承受价格也会更有可能实现匹配。例如，良好的小区环境、合适的楼层、便利的配套设施等。特殊的住房结构特征及区位便利设施使住房具有各自不同的特征
并将其判定为机器人而不是人类用户对网页进行浏览的呢？目标网站户”采集信息或者出于对服务器的维护设立了反采集机制，其中的一户”行为（包括单位时间内对网站的浏览次数，发送的请求信息等）分类，对判定为行为异常的用户网站对其发送警示验证信息或直接对。今天，统计学习方法已经被应用到网络通信、人工智能、模式识别、数据挖掘等众多领域。分类是一种重要的数据分析形式，它是统计组成部分之一。本文采用分类方法，以住房流动性为研究对象，结合的宏微观因素来构建住房流动性分类预测模型。该部分主要对分类统型评估与选择做简要概述。本概念学习是关于计算机基于数据构建概率统计模型并运用模型对数据进行门学科[8]1。统计学习的前提是假设同类数据具有一定的统计规律性， 所示：
【参考文献】：
期刊论文
[1]决策树C4.5连续属性分割阈值算法改进及其应用[J]. 姚亚夫,邢留涛. 中南大学学报(自然科学版). 2011(12)
[2]住房流动性对房价指数的影响及其定量分析[J]. 张博,郑思齐,吴璟,刘洪玉. 中国房地产. 2011(04)
[3]土地政策与住房流动性关系的实证分析[J]. 边瑞灼. 价值工程. 2010(07)
[4]决策树算法综述[J]. 谢金梅,王艳妮. 软件导刊. 2008(11)
[5]Determinants of Housing Liquidity in Chinese Cities:Does Market Maturity Matter?[J]. 吴璟,郑思齐. Tsinghua Science and Technology. 2008(05)
[6]住房流动性研究述评[J]. 吴璟,郑思齐,刘洪玉. 经济评论. 2008(04)
[7]决策树算法及其核心技术[J]. 杨学兵,张俊. 计算机技术与发展. 2007(01)
[8]决策树技术及其当前研究方向[J]. John Durkin,蔡竞峰,蔡自兴. 控制工程. 2005(01)
硕士论文
[1]住房流动性的度量及在市场预警中的应用[D]. 张博.清华大学 2010
本文编号：3607302
本文链接：https://www.wllwen.com/guanlilunwen/tongjijuecelunwen/3607302.html