基于限购政策下的海南省住宅商品房房价探究
袁章帅（安徽财经大学管理科学与工程学院）
摘要： 本文利用2000-2017年海南省年度、月度数据分析城市人均拥有道路面积、贷款利率、人口总数、房地产投资额等因素对海南商品住宅价格的影响效应；随后，构建BP神经网络预测模型预测了在无限购政策下海南省商品房房价；最后，采用VAR模型预测了在限购政策下海南省未来商品房价格并构建多种预测模型预测海南省未来商品住宅价格及变化趋势。以期给相关政府部门制定宏观调控措施提供参考依据。
关键词： BP神经网络；VAR模型；房价影响因素；海南市房价；房价预测
1988年4月13日国家关于建立海南省经济特区的决议获得通过，海南省商品住宅价格由88年的每平方米1350元上涨到了93年的每平方米7500元，之后房价保持平稳并有小幅回落。2010年国家发改委批复《海南国际旅游岛建设发展规划纲要》，海南省商品住宅价格再次大幅上涨，由6000多元每平方米涨至1万多元每平方米，其中，海口由5000多元每平方米涨至9000多元每平方米，三亚由1万多元每平方米涨至2万多元每平方米。
本次106例研究对象,均随机选自2015年5月~2017年10月我院临床免疫检验中有质量问题的样本,其中男61例,女45例;年龄在12岁~80岁,平均年龄为(42.6±2.2)岁;免疫检查的项目包括:检测甲状腺功能20例,检测流感血清学34例,检测胰岛素抗体17例,检测血清胰岛素11例,14例检测免疫球蛋白G,检测癌胚抗原水平10例。
2018年4月13日，国家出台政策——海南全岛建设自贸区（港），引发轰动，进而导致海口商品住宅价格每天涨幅达每平米500元到1000元，三亚商品住宅价格一夜之间每平米上涨3000至8000元。18年4月22日，海南省委，省政府发布了《关于进一步稳定房地产市场的通知》，在已出台限购政策基础上，实施全域限购，被称为“全国最严厉调控措施”。房地产价格作为房地产业运行的“晴雨表”，不仅是政府宏观调控的重要指标，同时也是社会各界关注的重要民生话题。因此，分析并预测房地产价格显得很有必要。
一、数据来源与模型假设
本文使用的数据来源于中国知网-中国经济大数据研究平台，并做出如下解释：（1）假设海南省房地产市场为完全竞争市场；（2）假设海南省金融生态环境无爆发式增长；（3）假设在无外界强制因素的影响时，海南省商品住宅价格的变动在合理范围内且具有稳定的变化趋势；（4）假设各影响因素对房价影响程度的占比是稳定且可估测的。
二、海南省商品住宅价格影响因素
通过查阅相关文献与文献，初步确定影响海南商品住宅价格因素体系，共有一级指标四类，分别为宏观经济因素、社会文化因素、建筑因素及其他因素；二级指标10类，分别为房地产开发投资额、居民消费水平、人口总数、国内旅游收入、房屋竣工面积、住宅商品房销售面积、城市人均拥有道路面积、房地产开发年度购置土地面积、政策和贷款利率因素、消费心理水平。具体影响因素图见图1。
为了进一步分析商品住房销售价格同其销售面积之间的动态变化，构建二维向量自回归模型（VAR模型），根据上述分析，选择滞后变量为2进行模型的构建，具体表达式如下：
果桑是以产果为主、果叶兼用型桑树的统称，其果实桑椹具有丰富的营养和药用价值，花青素含量极高，抗氧化功效明显，具有促进造血细胞生长、降血糖、降血脂等药理作用，被卫生部列为“既是食品又是药品”名单［1，2］。桑椹除直接食用外，目前已开发出果汁饮品、桑果酒、桑果酱、桑椹膏及花青素等产品，表现出巨大的产业发展潜力和广阔的市场前景［3，4］。 然而在果桑产业发展过程中，桑椹菌核病来势猛、发病快，发病率高达30%～90%，有些果桑园甚至绝产［5］，桑椹菌核病已成为限制果桑产业发展的瓶颈问题。
三、基于BP神经网络的海南商品住宅价格预测模型
（一）模型构建
法国乡村旅游与其他产业的融合度高，如在游览波尔多的过程中，农业活动紧密融合，游客可以亲身体验葡萄的种植、采摘、酿造、品尝、葡萄酒养生和葡萄酒庄住宿等相关活动。此外，企业还对当地的特色农产品进行产业链的延长和升级，增值农产品。根据对普罗旺斯两个省进行的调查，法国乡村旅游为更好地实现油橄榄的价值，可将其渗透到旅游的各方面以适应不断变化的市场需求。例如，把以油橄榄作为原材料之一的查特酒作为明星产品进行营销；或是把油橄榄及其种植等过程作为艺术展现在博物馆中，增加游览价值的深度[14]。
（二）参数设定及仿真预测
通过查阅相关文献且根据指标个数，选取三层神经网络构建模型，并确定隐层神经元数
且由于原始数据的单位不同造成了指标量纲的不统一，因此将2010年至 2017年四个月度数据指标归一化处理，使其数值位于[-1,1]之间。且学习速率为0.05、最大迭代次数为1000次、均方误差为0.65*10-3。最终该网络迭代12步即可完成训练，使其误差达到0.65*10^(-3)下。
本模型采用2010年-2017年《海南经济特区统计年鉴》及海南省土地与房产管理局发布的历史数据, 选取了其中房地产投资额、人均拥有道路面积、贷款利率以及人口数四项指标对海南省2018年6月-2019年5月房价进行预测，该BP神经网络模型如图2所示。
图1 海南省商品住宅价格影响因素
图2 神经网络结构图
再根据AIC和SC最小准则确定滞后阶数为2后，两序列的格兰杰因果检验结果显示，量价之间存在单向关系：价格不是交易量的格兰杰原因，但交易量是价格的格兰杰原因。由此可见，限购政策直接作用与住房需求，迫使需求减少，在新的供求平衡下使住房价格下降，通过“价随量跌”实现政策目标。
图3 海南省2018年6月-2019年5月商品住宅房销售价格预测曲线
由于海南省作为一个以旅游业为主的省份，商品住宅的价格和人口数量有着密切的关系，考虑海南省的地理位置及其气候，冬季节海南省的旅游业要优于夏季，因此由于旅游人口数量造成流动人口的变化会对商品住宅价格造成影响。即冬季海南省的房价要率高于夏季，和预测结果较为相符。
表1 海南省2018年6月-2019年5月商品住宅房预测价格 （单位：元）
图4 2016年1月-2017年11月海南省商品住宅价格市场量价波动情况
表2 VAR模型估计结果
表3 限购政策出台后2018年6月-2019年5月海南省商品住宅价格
预测每月海南省商品房价格如表1所示。
综上所述,常规用药联合无创呼吸机治疗COPD并呼吸衰竭的应用效果确切,可有效改善病情,改善血气和生命体征,对预后有益,值得推广应用。
四、基于限购政策下的VAR预测模型
（一）时间序列分析
图5 对于lnv的走势预测
图6 关于lnp的走势预测
获取了海南省2016年1月至2017年11月商品住宅销售价格和交易量的月度数据，并将价格消除通货膨胀因素的影响，商品住宅的交易量用销售面积进行衡量，商品住宅价格和商品住宅的销售面积分别表示为
和
二者趋势和关系如图4所示。
随着城镇化战略的推进和城区面积的不断扩张，干线公路所在的城市外围区域逐渐被纳入城市的规划建设范围内，成为城市区域范围内的主要通道。人口的大量集聚以及公路的街道化，使得逐渐被包围进入城市腹地的干线公路，使用属性逐渐转变为城市道路，但干线公路难以直接作为城市道路使用，并且其功能不能同时满足对外交通和城市内部交通的需求。因此，很多城市陆续开始对干线公路进行快速化改造。
通过以上对于数据的检验，构建VAR模型，利用Eviews软件进行分析，得到模型估计结果如表所示。分析得到VAR模型的估计结果如下：
首先将
序列分别取对数消除时间序列中的异方差现象，取对数后的两组序列被对应地命名为
为避免“伪回归”，用ADF检验的方法分别对LnV和LnP进行单位根检验，结果显示在5%的显著性水平上，
均为一阶单整序列，即这两个时间序列都是非平稳的，但进行一阶差分后显示出平稳性。
随后对训练好的神经网络进行仿真实验，利用2018年5月-2019年6月各指标的预测数据，对2018-2019年的商品房销售价格进行预测。在海南省未出台4月22日的限购政策的情况下最终得到的预测结果曲线如图3所示。
（二）模型构建及预测
通过相关系数矩阵可以发现，海南省的居民消费水平、房地产开发投资额、人口总数、国内旅游收入、“房屋竣工面积、住宅商品房销售面积以及城市人均拥有道路面积同商品住宅销售价格的相关系数较大，均大于0.5，大部分相关系数甚至超出0.9，表明这些因素对商品住宅价格具有强烈的影响；房地产开发本年购置土地面积和贷款利率则对商品住宅价格的相关系数较小，将利率作为国家政策对于房价影响的一个凸显指标，利率作为货币政策只是占国家政策的小部分，可见国家政策对于房价有引导、调整作用。
2007—2014年，在阜南、合肥、海南等不同地域鉴定各类成对杂交组合 F1育性分离百分率，从不育株率逐步提高的成对杂交组合中优选可育株父本连续自交，并继续与0176A 成对测交，通过连续8～10代对可育父本自交、系选、与 0176A 测交及异地鉴定，于2012年选育出对0176A的不育性具有高度保持效果的保持系WB51-220-2-7-1D-20-28-0 (简称 WB51-220) 和高不育系 W0176A。
该模型的拟合优度R 2= 0.9832，拟合优度较好，由下表2可以看出，交易量受上期的影响较大，而价格在一阶与二阶水平上的自相关性都很强，滞后一期的交易量对价格的影响较为显著。滞后一期的价格对交易量呈现出负向的影响，滞后二期的价格则正向影响交易量，但是不是很显著。模型估计结果与格兰杰因果的分析保持一致。
基于以上分析，将去年三月份海南省颁布住房政策和今年四月份颁布的住房政策相结合，通过当期指标和上期指标间相关关系得到其影响规律，从而能够预测未来一定时期内的指标走势，根据所建立的VAR模型对2018年6月至2019年5月海南省商品住宅价格及其商品住宅销售面积走势做出预测，其结果如图5、6所示。
据图5分析得，由于2017年政府发布限购令，大程度上限制了非海南户籍居民在海南购房的数量，导致房屋售出面积短时间内急剧下降，对于今年4月份政府政策限购令的再次实施也体现了出来，具体表现在房屋售出面积短时间内又再次下降，对于图6，由于受到政策的影响，使得市场对于房屋的需求量逐渐减少，预测曲线斜率不断减小，最终不考虑其他因素的条件下，达到均衡。
由于分析所得数据经过对数化处理，所以再次对其指数化可以得到预测后的结果，见表3所示。
五、结束语
本文首先分析海南市房地产发展现场并对房价影响因素进行分析，随后在无政府政策影响下，选取影响较大的4个因素建立了BP神经网络模型，得出海南市房价预测结果且达到了预期的目标，具有一定的可信度；在政府出台限购政策后，加入这一外生变量，选用VAR模型建立动态分析模型进行回归和预测，得出回归方程并预测2018年5月-2019年6月的海南商品住宅价格。
由于商品房销售价格影响因素错综复杂，除了本文所提到的内外在因素外，还受到国家其他宏观调控政策及环境等其他因素的影响，这些因素也在一定程度上影响了神经网络对房价预测的客观性。
参考文献
[1]宋宏,张璐.商业投资与房地产价格影响因素分析——以西安市为例[J].商业经济研究,2018(11)：185-187.
[2]李永刚.商品房价格影响因素比较研究[J].经济社会体制比较,2018(02)：20-31.
[3]陈盼,王保乾.我国房地产市场楼市分化问题的探析[J].经济研究导刊,2018(03)：140-144+150.
[4]梅冬州,崔小勇,吴娱.房价变动、土地财政与中国经济波动[J].经济研究,2018,53(01)：35-49.
[5]李永刚.商品房价格影响因素比较研究[J].经济社会体制比较,2018(02)：20-31.
[6]王筱欣,高攀.基于BP神经网络的重庆市房价验证与预测[J].重庆理工大学学报(社会科学),2016,30(09)：49-53.
[7]高文,李富星,牛永洁.基于BP神经网络对房价预测的研究[J].延安大学学报(自然科学版),2018,37(03)：37-40.
[8]周琴.基于人工神经网络BP算法的莆田市房价预测[J].赤峰学院学报(自然科学版),2016,32(10)：180-182.
[9]董梅.基于VAR模型的CPI影响因素分析及预测[J].兰州商学院学报,2010,26(03)：122-126
[10]黄乐,黄志刚,林朝颖.基于VAR模型的货币政策有效性研究[J].福州大学学报(自然科学版),2018,46(06)：782-786.
[11]米晋宏,刘冲.住房限购政策与城市房价波动分析[J].上海经济研究,2017(01)：101-111.
标签：bp神经网络论文; var模型论文; 房价影响因素论文; 海南市房价论文; 房价预测论文; 安徽财经大学管理科学与工程学院论文;