白麗娟，閆相斌，金家華(哈爾濱工業(yè)大學(xué)管理學(xué)院，黑龍江哈爾濱150001)

?

基于搜索關(guān)鍵詞關(guān)注度的商品房?jī)r(jià)格指數(shù)預(yù)測(cè)

白麗娟，閆相斌，金家華
(哈爾濱工業(yè)大學(xué)管理學(xué)院，黑龍江哈爾濱150001)

摘要:房地產(chǎn)作為國(guó)民經(jīng)濟(jì)的支柱產(chǎn)業(yè)，其價(jià)格預(yù)測(cè)受到學(xué)者的廣泛關(guān)注?，F(xiàn)有的預(yù)測(cè)研究，其數(shù)據(jù)存在嚴(yán)重的滯后性，影響預(yù)測(cè)的有效性?；ヂ?lián)網(wǎng)搜索引擎關(guān)鍵詞在表征用戶信息需求、行為趨勢(shì)等方面的能力日益顯著，為分析用戶消費(fèi)信息需求、消費(fèi)行為趨勢(shì)等提供了較高質(zhì)量的實(shí)時(shí)數(shù)據(jù)。本文在對(duì)搜索行為和商品房?jī)r(jià)格決定機(jī)制的理論分析基礎(chǔ)上，論證了將關(guān)鍵詞關(guān)注度指數(shù)加入回歸預(yù)測(cè)模型的合理性，并使用Google Trend關(guān)鍵詞數(shù)據(jù)進(jìn)行了實(shí)證研究，結(jié)果顯示這一改進(jìn)可以提高對(duì)商品房?jī)r(jià)格指數(shù)的預(yù)測(cè)能力，降低預(yù)測(cè)誤差。

關(guān)鍵詞:搜索引擎;關(guān)鍵詞;商品房?jī)r(jià)格指數(shù);房?jī)r(jià)預(yù)測(cè);搜索行為 種類繁多，為了獲得與房?jī)r(jià)相關(guān)的、盡可能完整的關(guān)鍵詞，根據(jù)以上分析將關(guān)鍵詞分為經(jīng)濟(jì)環(huán)境，政府政策和房地產(chǎn)三類，并據(jù)此獲得搜索關(guān)鍵詞。

1　引言

近年來(lái)，中國(guó)房地產(chǎn)業(yè)發(fā)展迅速，已經(jīng)成為國(guó)民經(jīng)濟(jì)的重要支柱之一［1］。最近幾年中國(guó)大陸房?jī)r(jià)的持續(xù)走高，引起了社會(huì)各界的廣泛關(guān)注。為保障房地產(chǎn)市場(chǎng)健康發(fā)展，國(guó)家采取了多種措施穩(wěn)定房?jī)r(jià)，抑制房地產(chǎn)泡沫，如上調(diào)存款準(zhǔn)備金率、推出“新國(guó)十條”、“新國(guó)八條”和“新國(guó)五條”等一系列調(diào)控措施。房地產(chǎn)價(jià)格是政府和廣大民眾普遍關(guān)注的問(wèn)題，學(xué)術(shù)界關(guān)于房地產(chǎn)價(jià)格預(yù)測(cè)的研究，對(duì)消費(fèi)者購(gòu)房決策、房地產(chǎn)投資者投資決策、政府制定房地產(chǎn)相關(guān)政策以及完善房?jī)r(jià)預(yù)測(cè)理論都具有重要意義。

關(guān)于房?jī)r(jià)預(yù)測(cè)，現(xiàn)有的國(guó)內(nèi)外研究大多著眼于預(yù)測(cè)模型的改進(jìn)，且使用的數(shù)據(jù)通常是調(diào)研數(shù)據(jù)或政府部門和商業(yè)組織的統(tǒng)計(jì)報(bào)告。Anglin［2］使用滯后三期的平均房?jī)r(jià)增長(zhǎng)率以及CPI、住房抵押貸款利率和失業(yè)率建立VAR模型預(yù)測(cè)多倫多房?jī)r(jià)變動(dòng)情況。Wang和Tian［3］采用小波神經(jīng)網(wǎng)絡(luò)對(duì)上海房屋價(jià)格指數(shù)的月度數(shù)據(jù)進(jìn)行預(yù)測(cè)。李東月［4］比較了灰色-馬爾科夫模型和n次多項(xiàng)式模型對(duì)房?jī)r(jià)預(yù)測(cè)結(jié)果，發(fā)現(xiàn)五次多項(xiàng)式模型比灰色-馬爾柯夫模型的預(yù)測(cè)精度要高。閆妍［5］以TEI@ I方法論為指導(dǎo)，使用粗糙集理論、回歸模型、灰色模型和小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)季度房?jī)r(jià)和校正誤差，得到“國(guó)八條”對(duì)房地產(chǎn)投資和房?jī)r(jià)上漲均有顯著的抑制作用。上述研究采用的數(shù)據(jù)均存在嚴(yán)重的滯后性，制約了房?jī)r(jià)預(yù)測(cè)的有效性和準(zhǔn)確性。

互聯(lián)網(wǎng)正成為全球最大的信息源，其應(yīng)用普及使用戶可以方便地獲取所需信息。高效的信息檢索功能使搜索引擎成為網(wǎng)民獲取互聯(lián)網(wǎng)信息的重要入口。搜索行為是用戶為滿足一定的需求而進(jìn)行的信息查詢活動(dòng)，由用戶自身信息需求和外部環(huán)境(如經(jīng)濟(jì)、政治、文化環(huán)境等)觸發(fā)，對(duì)搜索結(jié)果的消化和吸收會(huì)影響用戶的心理和決策行為。用戶信息搜索行為的群體表現(xiàn)在一定程度上體現(xiàn)了用戶心理形態(tài)和外部環(huán)境的變化，與實(shí)際經(jīng)濟(jì)行為具有較強(qiáng)的相關(guān)性［6］，為經(jīng)濟(jì)預(yù)測(cè)提供了新的信息資源。用戶通過(guò)互聯(lián)網(wǎng)搜集信息完善購(gòu)買決策，特別是對(duì)于需要高投入的產(chǎn)品，如房屋等［7］。根據(jù)美國(guó)房地產(chǎn)經(jīng)紀(jì)人協(xié)會(huì)2012年公布的數(shù)據(jù)表明，在2012年90%的購(gòu)房者通過(guò)互聯(lián)網(wǎng)搜索房屋信息［8］。將網(wǎng)絡(luò)搜索關(guān)鍵詞用于預(yù)測(cè)的研究最早開(kāi)始于流感監(jiān)測(cè)［9］，現(xiàn)主要用于房?jī)r(jià)及失業(yè)率預(yù)測(cè)。Wu和Eric［7］利用網(wǎng)絡(luò)搜索數(shù)據(jù)研究美國(guó)房市情況，發(fā)現(xiàn)房地產(chǎn)搜索關(guān)鍵詞關(guān)注度與商品房銷售和商品房?jī)r(jià)格指數(shù)之間存在相關(guān)關(guān)系，Kulkarni等［10］進(jìn)一步證實(shí)了網(wǎng)絡(luò)關(guān)鍵詞搜索與房?jī)r(jià)指數(shù)之間存在Granger因果關(guān)系。Askitas 和Zimmermann［11］使用特定搜索關(guān)鍵詞對(duì)失業(yè)率進(jìn)行預(yù)測(cè)，結(jié)果表明基于搜索關(guān)鍵詞數(shù)據(jù)的預(yù)測(cè)具有較好的實(shí)時(shí)性和準(zhǔn)確性。Amuri和Marcucci［12］使用關(guān)鍵詞對(duì)美國(guó)失業(yè)率進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)使用網(wǎng)絡(luò)搜索關(guān)鍵詞數(shù)據(jù)的簡(jiǎn)單線性模型預(yù)測(cè)效果優(yōu)于非線性模型和專家預(yù)測(cè)。

現(xiàn)有研究中，學(xué)者已將網(wǎng)絡(luò)搜索關(guān)鍵詞用在流行病監(jiān)測(cè)、房?jī)r(jià)預(yù)測(cè)、失業(yè)預(yù)測(cè)等問(wèn)題上，其有效性得到了證實(shí)，但仍存在一些局限，如缺少理論基礎(chǔ)分析、關(guān)鍵詞及數(shù)據(jù)處理模型的選擇方法等。另外，這些研究多是針對(duì)國(guó)外市場(chǎng)進(jìn)行的，該方法是否對(duì)中國(guó)情境下的研究問(wèn)題有效尚無(wú)確定的結(jié)論。本文從理論上系統(tǒng)地分析搜索關(guān)鍵詞關(guān)注度預(yù)測(cè)房?jī)r(jià)的原理，構(gòu)建基于搜索關(guān)鍵詞關(guān)注度的商品房?jī)r(jià)格預(yù)測(cè)模型，并使用國(guó)家統(tǒng)計(jì)局公布的商品房?jī)r(jià)格指數(shù)( HPI)和Google Trend提供的關(guān)鍵詞搜索數(shù)據(jù)進(jìn)行實(shí)證研究。實(shí)證結(jié)果表明，關(guān)鍵詞關(guān)注度能夠幫助預(yù)測(cè)房?jī)r(jià)，提高房?jī)r(jià)預(yù)測(cè)精度和及時(shí)性。

2　研究方法

2．1基于關(guān)鍵詞的搜索行為

搜索引擎是使用者獲取來(lái)自互聯(lián)網(wǎng)的信息的主要工具，數(shù)以億計(jì)的用戶依賴于搜索引擎滿足其信息查詢需求。搜索行為是指用戶為獲取所需信息，在與網(wǎng)絡(luò)互動(dòng)過(guò)程中所采取的一系列身體活動(dòng)和心理活動(dòng)，受主體與環(huán)境因素的影響和制約。影響搜索行為的主體因素主要有需求(動(dòng)機(jī))、個(gè)性特征(性別、性格)、知識(shí)和經(jīng)驗(yàn)、年齡等，環(huán)境因素則包括經(jīng)濟(jì)、政治、文化等因素。信息搜索行為是信息需求和環(huán)境因素驅(qū)動(dòng)下的一種行為過(guò)程，后續(xù)動(dòng)作是檢查搜索結(jié)果，最終結(jié)果是對(duì)信息的理解和吸收，并接受新信息對(duì)行為的影響。

主體因素和環(huán)境因素難以量化。搜索引擎日志記錄搜索行為，形成大規(guī)模實(shí)時(shí)性的關(guān)鍵詞信息，并很容易被獲取。關(guān)鍵詞是用戶搜索信息時(shí)表達(dá)某種明確概念的詞，是用戶對(duì)信息需求和搜索動(dòng)機(jī)的歸納總結(jié)，是搜索行為的集中體現(xiàn)，反映了主體和環(huán)境的變化，可以作為其測(cè)量指標(biāo)。

2．2環(huán)境因素對(duì)商品房?jī)r(jià)格影響:基于供求關(guān)系

市場(chǎng)是某種物品或勞務(wù)的買者和賣者組成的一個(gè)群體，對(duì)一種產(chǎn)品而言，買者決定了需求，而賣者決定了供給。供給和需求是使市場(chǎng)經(jīng)濟(jì)運(yùn)行的力量，供求理論表明，需求量與價(jià)格正相關(guān)性，供給量與價(jià)格負(fù)相關(guān)。這一定律同樣也適用于中國(guó)的商品房市場(chǎng)。研究表明，外部環(huán)境的變化會(huì)引起市場(chǎng)中供給和需求的變化，并會(huì)對(duì)商品房?jī)r(jià)格產(chǎn)生影響［13］，經(jīng)濟(jì)環(huán)境［14］和政府政策［15］是影響房?jī)r(jià)的主要因素。

( 1)經(jīng)濟(jì)環(huán)境

房地產(chǎn)的發(fā)展取決于地區(qū)或國(guó)家的經(jīng)濟(jì)背景，反過(guò)來(lái)又影響該地區(qū)的經(jīng)濟(jì)，它與宏觀經(jīng)濟(jì)的環(huán)境相互促進(jìn)、相互制約［16］。

A．經(jīng)濟(jì)增長(zhǎng)。隨著房地產(chǎn)業(yè)在國(guó)民經(jīng)濟(jì)中的地位不斷提高，房地產(chǎn)周期與經(jīng)濟(jì)周期之間的互動(dòng)性越來(lái)越明顯。從理論上分析，經(jīng)濟(jì)增長(zhǎng)形勢(shì)越好，房?jī)r(jià)上漲的可能越大。

B．匯率。研究表明，人民幣匯率升值與房地產(chǎn)價(jià)格高漲呈現(xiàn)一種共存態(tài)勢(shì)。匯率升值引起外向型企業(yè)的國(guó)際競(jìng)爭(zhēng)力走弱，出口部門需要收縮，而其它部門擴(kuò)張，在經(jīng)濟(jì)結(jié)構(gòu)的調(diào)整過(guò)程中失業(yè)現(xiàn)象或者工資降低在所難免，地價(jià)相對(duì)于工資將上漲，將會(huì)推動(dòng)房地產(chǎn)價(jià)格的上升［17］。

C．利率。低利率會(huì)引起商品房的需求增加，從而提高商品房?jī)r(jià)格。

D．通貨膨脹。房產(chǎn)是較好的保值抗通脹產(chǎn)品，通貨膨脹預(yù)期增加時(shí)，房產(chǎn)需求增加，推動(dòng)商品房?jī)r(jià)格上漲［18］。

( 2)政府政策

近年來(lái)，為了抑制樓市的不正常發(fā)展，使之進(jìn)入良性循環(huán)，政府對(duì)房地產(chǎn)的調(diào)控力度加大。政府政策成為商品房?jī)r(jià)格指數(shù)的重要影響因素。

A．貨幣政策。貨幣政策對(duì)住宅價(jià)格的影響主要通過(guò)開(kāi)發(fā)投資、住宅抵押貸款和消費(fèi)者預(yù)期來(lái)實(shí)現(xiàn)，房地產(chǎn)業(yè)是資金密集型產(chǎn)業(yè)，其供給和需求均離不開(kāi)金融的支持，因此房地產(chǎn)價(jià)格高低與貨幣政策的松緊程度密切相關(guān)［19］。

B．財(cái)政政策。財(cái)政政策通過(guò)財(cái)政支出與稅收政策來(lái)調(diào)節(jié)總需求，財(cái)政收入可以調(diào)整房產(chǎn)的需求結(jié)構(gòu)或者供給結(jié)構(gòu)。稅收的增加提高房產(chǎn)的成本，抑制房地產(chǎn)市場(chǎng)的需求;稅收和補(bǔ)貼［20］等財(cái)政政策改變房地產(chǎn)開(kāi)發(fā)商開(kāi)發(fā)房產(chǎn)的成本，從而影響供給。

C．土地政策。土地政策影響地價(jià)，而地價(jià)對(duì)房?jī)r(jià)有重要影響，地價(jià)成本提高推動(dòng)高房?jī)r(jià)，地價(jià)升高影響需求預(yù)期拉高房?jī)r(jià)［15］。

D．房地產(chǎn)政策。房地產(chǎn)的行業(yè)政策如限購(gòu)令等也起到宏觀調(diào)控作用，通過(guò)影響人們對(duì)商品房?jī)r(jià)格的預(yù)期來(lái)引起價(jià)格變動(dòng)。

2．3基于搜索關(guān)鍵詞關(guān)注度的商品房?jī)r(jià)格預(yù)測(cè)

上文介紹了影響房?jī)r(jià)的環(huán)境因素，除此之外，主體因素對(duì)房?jī)r(jià)也有影響作用，本文用房地產(chǎn)來(lái)表示主體因素，搜索引擎用戶對(duì)房地產(chǎn)的關(guān)注度是房地產(chǎn)的觀測(cè)指標(biāo)。買賣雙方通過(guò)關(guān)注房地產(chǎn)表達(dá)房屋購(gòu)買需求和供給量，這種潛在的供需量變化將引起供求關(guān)系的改變，從而帶動(dòng)房?jī)r(jià)變化。

本文假設(shè)關(guān)鍵詞和房?jī)r(jià)之間存在相關(guān)關(guān)系，搜索關(guān)鍵詞可以幫助進(jìn)行房?jī)r(jià)預(yù)測(cè)。研究目的在于通過(guò)理論分析和實(shí)證研究確認(rèn)假設(shè)的成立。在本文研究中，主體因素是指用戶關(guān)注房地產(chǎn)相關(guān)信息的直接體現(xiàn)，可以分為房地產(chǎn)市場(chǎng)和房地產(chǎn)論壇。環(huán)境因素是指除了主體因素以外的外部因素，主要包括經(jīng)濟(jì)環(huán)境和政府政策。用戶在主體因素和環(huán)境因素的影響下形成目標(biāo)需求，進(jìn)而產(chǎn)生網(wǎng)絡(luò)搜索行為，并以關(guān)鍵詞的形式記錄在搜索引擎上。所以關(guān)鍵詞可以反應(yīng)主體因素和環(huán)境因素的變化。同時(shí)，主體因素和環(huán)境因素又通過(guò)影響供求關(guān)系引起房?jī)r(jià)波動(dòng)。因此，包含房地產(chǎn)預(yù)測(cè)相關(guān)信息的關(guān)鍵詞是預(yù)測(cè)房?jī)r(jià)的數(shù)量指標(biāo)。根據(jù)圖1基于搜索關(guān)鍵詞關(guān)注度的商品房?jī)r(jià)格預(yù)測(cè)理論模型可以看出，用戶出于某種目標(biāo)的信息需求受到主體因素和環(huán)境因素的影響會(huì)形成搜索行為，并以關(guān)鍵詞的形式被記錄，即關(guān)鍵詞體現(xiàn)了環(huán)境因素和主體因素的變化。環(huán)境因素和主體因素通過(guò)供求關(guān)系可以影響房?jī)r(jià)，因此關(guān)鍵詞在某種程度上可以作為量化指標(biāo)表示環(huán)境因素和主體因素變化，也可以作為數(shù)量指標(biāo)輔助預(yù)測(cè)房?jī)r(jià)。環(huán)境因素和主體因素作為經(jīng)濟(jì)政策、政府政策以及房地產(chǎn)市場(chǎng)相關(guān)影響因素都是客觀存在的，針對(duì)房地產(chǎn)不同時(shí)期，這些因素隨著國(guó)家采取的相關(guān)政策會(huì)發(fā)生變化，但該因素對(duì)消費(fèi)者搜索行為以及房地產(chǎn)市場(chǎng)供求關(guān)系的影響客觀存在，所以在不同房地產(chǎn)時(shí)期搜索關(guān)鍵詞都包含了環(huán)境因素和主體因素的衡量指標(biāo)信息，這些信息可以影響房地產(chǎn)價(jià)格，所以搜索關(guān)鍵詞包含了能夠預(yù)測(cè)房地產(chǎn)價(jià)格的相關(guān)信息。

圖1　基于搜索關(guān)鍵詞關(guān)注度的商品房?jī)r(jià)格預(yù)測(cè)理論模型

3　實(shí)證分析

本文利用搜索關(guān)鍵詞數(shù)據(jù)對(duì)房?jī)r(jià)指數(shù)進(jìn)行預(yù)測(cè)。房?jī)r(jià)指數(shù)用國(guó)家統(tǒng)計(jì)局公布的商品房?jī)r(jià)格指數(shù)( HPI)來(lái)衡量，時(shí)間跨度為2005年7月至2012 年12月。搜索行為的觀察數(shù)據(jù)是基于主體因素和環(huán)境因素進(jìn)行搜索行為時(shí)形成的關(guān)鍵詞搜索數(shù)量，數(shù)據(jù)來(lái)自Google Trend。

3．1初始搜索關(guān)鍵詞集合

( 1)選擇基準(zhǔn)關(guān)鍵詞，令基準(zhǔn)關(guān)鍵詞集合為初始關(guān)鍵詞。從房?jī)r(jià)影響因素的分析可以看出，房?jī)r(jià)主要受經(jīng)濟(jì)環(huán)境、政府政策和房地產(chǎn)的影響，以三種因素為基礎(chǔ)，進(jìn)行基準(zhǔn)關(guān)鍵詞選擇，形成的關(guān)鍵詞集合如表1所示。

表1　基準(zhǔn)關(guān)鍵詞集合

( 2)在Google Trend搜索框中非重復(fù)輸入表1中的關(guān)鍵詞，根據(jù)Google Trend推薦工具，選擇與輸入關(guān)鍵詞相關(guān)的詞，作為候選關(guān)鍵詞，形成初始關(guān)鍵詞集合。當(dāng)候選關(guān)鍵詞不屬于初始集合，加到初始集合并重復(fù)該步驟，否則結(jié)束關(guān)鍵詞獲取步驟，構(gòu)建初始關(guān)鍵詞結(jié)束。

3．2數(shù)據(jù)收集及預(yù)處理

由3．1的方法選中的關(guān)鍵詞數(shù)量比較多，關(guān)鍵詞指數(shù)數(shù)據(jù)龐雜，在模型擬合之前對(duì)數(shù)據(jù)進(jìn)行篩選、合成等預(yù)處理，具體操作的步驟為:

( 1)通過(guò)Google Trend獲取初始關(guān)鍵詞集合中所有關(guān)鍵詞的搜索數(shù)據(jù)，并對(duì)關(guān)鍵詞關(guān)注度取算術(shù)平均值，周期為月。

( 2)檢驗(yàn)相關(guān)性。計(jì)算關(guān)鍵詞的搜索數(shù)據(jù)與HPI的Pearson相關(guān)系數(shù)，保留滿足雙側(cè)0．05水平上顯著的關(guān)鍵詞，形成最終關(guān)鍵詞集合。

( 3)合成關(guān)鍵詞關(guān)注度指數(shù)，對(duì)最終關(guān)鍵詞，按照所屬類別，以HPI與關(guān)鍵詞數(shù)據(jù)的Pearson相關(guān)系數(shù)為權(quán)重進(jìn)行加權(quán)平均，得到各類別的合成關(guān)鍵詞關(guān)注度指數(shù)。

經(jīng)過(guò)上述過(guò)程的篩選，得到最終關(guān)鍵詞集合，用表2表示。篩選的過(guò)程中，關(guān)鍵詞數(shù)據(jù)和HPI的Pearson相關(guān)系數(shù)的計(jì)算證實(shí)了關(guān)鍵詞與房?jī)r(jià)之間存在相關(guān)關(guān)系，文章的假設(shè)是成立的。

表2　最終關(guān)鍵詞集合

3．3模型與預(yù)測(cè)結(jié)果

實(shí)證研究中選擇HPI作為因變量，考慮到當(dāng)前的HPI是在已有的HPI的基礎(chǔ)上變動(dòng)的，在分析過(guò)程中應(yīng)當(dāng)衡量HPI與歷史數(shù)據(jù)的相關(guān)性。分析發(fā)現(xiàn)HPI與前一期數(shù)據(jù)相關(guān)性最高，之后依次遞減。為了確認(rèn)作為自變量的HPI，分別建立包含不同時(shí)期歷史數(shù)據(jù)的回歸模型，發(fā)現(xiàn)以HPIt－1、HPIt－2、HPIt－3為自變量時(shí)模型的調(diào)整R2最高，即擬合效果最好，但HPIt－3系數(shù)不顯著，即模型不合理。因此我們選擇HPIt－1、HPIt－2作為自變量建立基于HPI歷史數(shù)據(jù)的回歸模型( 1)。為方便模型的書寫，在此約定模型中的符號(hào)含義:

H為HPI(商品房?jī)r(jià)格指數(shù)) ; E為合成的經(jīng)濟(jì)環(huán)境關(guān)注度指數(shù); P為合成的政府政策關(guān)注度指數(shù); RE為合成的房地產(chǎn)關(guān)注度指數(shù); t為t時(shí)期; ε為隨機(jī)誤差。

模型( 1)可以表示為

考慮到在線關(guān)注的時(shí)效性，對(duì)關(guān)注度指數(shù)的選擇至多到t－2時(shí)期。在模型( 1)的基礎(chǔ)上，分別加入不同時(shí)期的關(guān)鍵詞關(guān)注度指數(shù)及其組合，可以得到模型( 2)～( 7)。

僅用一組關(guān)鍵詞關(guān)注度數(shù)據(jù)

用兩組關(guān)鍵詞關(guān)注度數(shù)據(jù)

用三組關(guān)鍵詞關(guān)注度數(shù)據(jù)

使用HPI和Google Trend關(guān)鍵詞數(shù)據(jù)合成的關(guān)鍵詞關(guān)注度指數(shù)對(duì)模型( 1)～( 7)進(jìn)行估計(jì)，并用平方和誤差( SSE)和平均平方誤差( MSE)來(lái)評(píng)價(jià)模型的預(yù)測(cè)效果。估計(jì)結(jié)果和模型預(yù)測(cè)誤差用表3表示。

根據(jù)表3模型估計(jì)結(jié)果表明，房地產(chǎn)相關(guān)的關(guān)鍵詞關(guān)注度指數(shù)與HPI之間存在顯著的相關(guān)性，關(guān)鍵詞關(guān)注度指數(shù)可以幫助提高HPI預(yù)測(cè)水平，本文的假設(shè)得到證實(shí)。在所有模型中，僅用HPI歷史數(shù)據(jù)時(shí)模型的調(diào)整R2為0．819，加入關(guān)鍵詞關(guān)注度指數(shù)之后模型的擬合效果得到了很大的提高，其中加入當(dāng)期關(guān)鍵詞關(guān)注度指數(shù)的模型擬合效果優(yōu)于不包括當(dāng)期關(guān)鍵詞關(guān)注度指數(shù)的模型。使用兩期關(guān)鍵詞關(guān)注度指數(shù)的模型比僅用一期的模型擬合效果更好一些。擬合效果最好的是使用三期關(guān)鍵詞關(guān)注度指數(shù)的模型( 7)。

表3的預(yù)測(cè)誤差揭示了類似的結(jié)果，關(guān)鍵詞關(guān)注度指數(shù)的加入使模型的預(yù)測(cè)誤差減小，預(yù)測(cè)精度提高。相比只用歷史數(shù)據(jù)的模型( 1)，加入一期關(guān)鍵詞關(guān)注度指數(shù)的模型的預(yù)測(cè)誤差降低，其中以加入當(dāng)期的關(guān)鍵詞關(guān)注度指數(shù)的模型預(yù)測(cè)誤差最低。加入兩期關(guān)鍵詞關(guān)注度指數(shù)的模型預(yù)測(cè)效果更好一些，加入三期關(guān)鍵詞關(guān)注度指數(shù)的模型預(yù)測(cè)誤差最低，預(yù)測(cè)精度最高。

表3　模型( 1)～( 7)估計(jì)結(jié)果

從表3中模型( 1)～( 7)的估計(jì)系數(shù)結(jié)果可以看出，前一期的HPI對(duì)當(dāng)期的HPI有顯著的正影響，前兩期的HPI對(duì)當(dāng)期的HPI有顯著的負(fù)影響。與當(dāng)期HPI的相關(guān)系數(shù)和模型估計(jì)的標(biāo)準(zhǔn)化系數(shù)都表明，前一期的HPI比前兩期的HPI對(duì)當(dāng)期的HPI影響更大，總體上講，歷史HPI數(shù)據(jù)對(duì)當(dāng)期HPI有顯著的正影響。

模型( 2)揭示了同期的關(guān)鍵詞關(guān)注度指數(shù)對(duì)HPI的顯著的預(yù)測(cè)效果，其中經(jīng)濟(jì)環(huán)境( Et)和政府政策( Pt)對(duì)HPI是負(fù)影響，而房地產(chǎn)( REt)則是正影響。結(jié)合前文中的供求關(guān)系的描述，可以發(fā)現(xiàn)供給者和需求者對(duì)外部環(huán)境的反應(yīng)并不是同步的，對(duì)HPI的影響程度也不相同。經(jīng)濟(jì)環(huán)境有利于供給者加大對(duì)商品房的投入，商品房供給量增加，從而對(duì)HPI形成負(fù)的影響。政府限制房?jī)r(jià)上漲的政策作為市場(chǎng)之外的強(qiáng)制力量，也在一定程度上實(shí)現(xiàn)了其目的。需求者對(duì)房地產(chǎn)的關(guān)注是其購(gòu)房需求的直接體現(xiàn)，代表需求量的增加，對(duì)HPI有正的影響。模型( 3)、( 4)提供了類似的結(jié)果，但某些變量開(kāi)始變得不顯著，在模型( 4)中，前兩期的關(guān)鍵詞關(guān)注度指數(shù)沒(méi)有提供任何的顯著的預(yù)測(cè)效果，由此可知，關(guān)鍵詞關(guān)注度指數(shù)對(duì)HPI的影響是存在時(shí)效性的。模型( 5)、( 6)、( 7)使用了組合的多期關(guān)鍵詞關(guān)注度指數(shù)進(jìn)行估計(jì)，從結(jié)果可以看出，雖然更多的變量可以提高擬合效果和預(yù)測(cè)精度，但也存在大多數(shù)變量系數(shù)不顯著的問(wèn)題，意味著模型的結(jié)果可信度低，應(yīng)當(dāng)受到質(zhì)疑。為了得到更可信和準(zhǔn)確的預(yù)測(cè)模型，我們使用后向選擇法( Backward)對(duì)模型( 7)中的變量進(jìn)行篩選，最終得到模型( 8)，估計(jì)結(jié)果如表4所示。

表4　模型( 8)估計(jì)結(jié)果

模型( 8)的預(yù)測(cè)誤差SSE為3．442，MSE為0．043。對(duì)比模型( 7)和( 8)，發(fā)現(xiàn)模型( 8)的擬合程度更高( 0．862＞0．858)，預(yù)測(cè)誤差更低，預(yù)測(cè)精度更好。模型( 8)顯示歷史HPI、同期經(jīng)濟(jì)環(huán)境和政府政策、前一期房地產(chǎn)、前兩期經(jīng)濟(jì)環(huán)境對(duì)HPI均有顯著的影響，可以提供對(duì)HPI更準(zhǔn)確的預(yù)測(cè)。如前文所述，同期經(jīng)濟(jì)環(huán)境和政府政策對(duì)HPI的影響仍是負(fù)向的，前一期的房地產(chǎn)和前兩期的經(jīng)濟(jì)環(huán)境則提供了正向效應(yīng)，考慮到需求者對(duì)外部環(huán)境的反應(yīng)有時(shí)間延遲，我們認(rèn)為這種效應(yīng)是可以接受的。為了更直觀地表達(dá)模型( 8)的預(yù)測(cè)效果，我們將HPI實(shí)際值與預(yù)測(cè)值進(jìn)行比較，如圖2所示。

模型( 8)的預(yù)測(cè)的HPI值與HPI實(shí)際值基本吻合，預(yù)測(cè)結(jié)果可信，表明關(guān)鍵詞關(guān)注度指數(shù)可以幫助提高HPI預(yù)測(cè)水平。

4　結(jié)論

本文通過(guò)對(duì)關(guān)鍵詞關(guān)注度預(yù)測(cè)房?jī)r(jià)的機(jī)理進(jìn)行了系統(tǒng)的分析，將搜索引擎關(guān)鍵詞關(guān)注度指數(shù)引入房?jī)r(jià)預(yù)測(cè)，構(gòu)建基于搜索關(guān)鍵詞關(guān)注度的商品房?jī)r(jià)格預(yù)測(cè)模型，并使用Google Trend提供的關(guān)鍵詞數(shù)據(jù)進(jìn)行實(shí)證研究。結(jié)果表明，加入關(guān)鍵詞關(guān)注度數(shù)據(jù)能夠提高模型擬合效果和預(yù)測(cè)準(zhǔn)確性，關(guān)鍵詞關(guān)注度數(shù)據(jù)具有實(shí)時(shí)性，可以提高預(yù)測(cè)的時(shí)效性;同期的經(jīng)濟(jì)環(huán)境關(guān)鍵詞如:個(gè)人貸款、工資漲、國(guó)民收入、匯率美元、匯率歐元等和同期的政府政策關(guān)鍵詞如:二手房稅、房產(chǎn)交易稅、房產(chǎn)稅費(fèi)、房產(chǎn)政策等對(duì)HPI有顯著的負(fù)影響，這與經(jīng)濟(jì)環(huán)境造成的房地產(chǎn)投資熱潮和政府抑制房?jī)r(jià)上漲的政策對(duì)應(yīng)。預(yù)測(cè)前一期的房地產(chǎn)關(guān)鍵詞如:按揭、按揭計(jì)算、二手房?jī)r(jià)、房產(chǎn)交易等和前兩期的經(jīng)濟(jì)環(huán)境關(guān)鍵詞對(duì)商品房?jī)r(jià)格指數(shù)的預(yù)測(cè)有顯著的正影響，這與消費(fèi)者持續(xù)增長(zhǎng)的房地產(chǎn)需求有關(guān)。當(dāng)?shù)胤康禺a(chǎn)價(jià)格指數(shù)與當(dāng)期經(jīng)濟(jì)環(huán)境以及政府政策之間的負(fù)相關(guān)，以及與前一期房地產(chǎn)和前兩期經(jīng)濟(jì)環(huán)境的正相關(guān)為政府或相關(guān)部門通過(guò)經(jīng)濟(jì)環(huán)境，政府政策以及房地產(chǎn)市場(chǎng)等手段調(diào)控房?jī)r(jià)提供了決策依據(jù)。

本文從理論上系統(tǒng)地分析了關(guān)鍵詞關(guān)注度對(duì)房?jī)r(jià)預(yù)測(cè)的機(jī)理，對(duì)消費(fèi)者搜索關(guān)鍵詞與房?jī)r(jià)相關(guān)性進(jìn)行了驗(yàn)證。驗(yàn)證結(jié)果表明，互聯(lián)網(wǎng)上用戶的關(guān)于經(jīng)濟(jì)環(huán)境、政府政策和房地產(chǎn)的關(guān)鍵詞搜索行為是其房產(chǎn)交易行為意向的一種表現(xiàn)形式，搜索結(jié)果可能會(huì)影響到用戶的購(gòu)買或售賣決策，所有用戶搜索關(guān)鍵詞的累加一定程度上反映了用戶對(duì)當(dāng)前房地產(chǎn)市場(chǎng)的關(guān)注程度。因此，對(duì)于政府政策的制定者來(lái)說(shuō)，關(guān)注政策制定前后相關(guān)關(guān)鍵詞的搜索變化情況，可以為房地產(chǎn)政策的制定、調(diào)整提供決策的依據(jù)，甚至可以引導(dǎo)用戶的需求，從而提升政策制定的科學(xué)性和有效性;對(duì)于房地產(chǎn)從業(yè)人員來(lái)說(shuō)，及時(shí)關(guān)注相關(guān)關(guān)鍵詞搜索量變化情況，結(jié)合國(guó)家制定的房地產(chǎn)調(diào)控政策，可以準(zhǔn)確預(yù)測(cè)房地產(chǎn)價(jià)格走勢(shì)，及時(shí)調(diào)整營(yíng)銷策略，降低企業(yè)運(yùn)營(yíng)的風(fēng)險(xiǎn)。此外，本文的研究雖然是針對(duì)房地產(chǎn)市場(chǎng)進(jìn)行的，但使用搜索關(guān)鍵詞關(guān)注度進(jìn)行預(yù)測(cè)并不局限于此，房地產(chǎn)市場(chǎng)作為經(jīng)濟(jì)社會(huì)領(lǐng)域的典型代表，其研究思路在經(jīng)濟(jì)社會(huì)領(lǐng)域具有普適性。

參考文獻(xiàn):

［1］梁云芳，高鐵梅，賀書平．房地產(chǎn)市場(chǎng)與國(guó)民經(jīng)濟(jì)協(xié)調(diào)發(fā)展的實(shí)證分析［J］．中國(guó)社會(huì)科學(xué)，2006，(3) :74-84．

［2］Anglin P．Local dynamics and contagion in real estate markets［A］．The International Conference on Real Estates and Macro Economy［C］．Beijing，2006．19-24．

［3］Wang J，Tian P．Real estate price indices forecast by using wavelet neural work［J］．Computer Simulation，2005，22( 7) : 96-98．

［4］李東月．房?jī)r(jià)預(yù)測(cè)模型的比較研究［J］．工業(yè)技術(shù)經(jīng)濟(jì)，2006，25( 9) :65-67．

［5］閆妍．基于TEI@ I方法論的房?jī)r(jià)預(yù)測(cè)方法［J］．系統(tǒng)工程理論與實(shí)踐，2007，27( 7) :1-9．

［6］孫毅，呂本富．網(wǎng)絡(luò)搜索與經(jīng)濟(jì)行為相關(guān)性研究綜述［J］．管理評(píng)論，2011，23( 7) :72-77．

［7］Wu L，Eric B．The future of prediction: how google searches foreshadow housing prices and sales［A］．International Conference on Information Systems 2009［C］．Washington，DC，USA: IEEE Computer Society，2009．1-14．

［8］National Associate of Realtors．Profile of home buyers and sellers［R］．Research Paper，USA: National Association of Realtors，2012．3-17．

［9］Johnson H A，Wagner M M，Hogan W R，et al．．Analysis of web access logs for surveillance of influenza［J］．Study Health Technology Information，2004，107: 1202-1206．

［10］Kulkarni R，Haynesk K，Stough R R，et al．．Forecasting housing prices with google econometrics: a demand oriented approach［R］．Working Paper，Virginia，USA: George Mason University，2009．2-10．

［11］Askitas N，Zimmermann K F．Google econometrics and unemployment forecasting［J］．Applied Economics Quarterly，2009，55( 2) : 107-120．

［12］Amuri F D’，Marcucci J．‘Google it!’Forecasting the US unemployment rate with a Google job search index ［R］．Working Paper，Colchester，Essex，UK: Institute for Social and Economic Research，2010．1-53．

［13］張煌．房?jī)r(jià)形成機(jī)制與定量分析初探［J］．中國(guó)房地產(chǎn):學(xué)術(shù)版，2012，( 8) :14-19．

［14］黃忠華，杜雪君，吳次芳．房?jī)r(jià)與宏觀經(jīng)濟(jì)研究綜述［J］．中國(guó)土地科學(xué)，2009，23( 1) :62-67．

［15］梁云芳，高鐵梅．中國(guó)房地產(chǎn)價(jià)格波動(dòng)區(qū)域差異的實(shí)證分析［J］．經(jīng)濟(jì)研究，2007，( 8) :133-142．

［16］王愛(ài)儉，沈慶劫．人民幣匯率與房地產(chǎn)價(jià)格的關(guān)聯(lián)性研究［J］．金融研究，2007，( 6) :13-22．

［17］張永勝，左祥．2009年房?jī)r(jià)上漲因素分析及2010年房?jī)r(jià)走勢(shì)預(yù)測(cè)［J］．經(jīng)濟(jì)研究導(dǎo)刊，2010，(10) :136-138．

［18］丁晨，屠梅曾．論房?jī)r(jià)在貨幣政策傳導(dǎo)機(jī)制中的作用——基于VECM分析［J］．?dāng)?shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2007，24( 11) :106-114．

［19］江濤，劉莉薇．促進(jìn)房地產(chǎn)業(yè)健康發(fā)展的貨幣與財(cái)政政策探討［J］．華北金融，2010，( 9) :61-63．

［20］呂萍，張紹基．地價(jià)，房?jī)r(jià)與地方政府［J］．中國(guó)房地產(chǎn)，2011，( 6) :26-28．

Forecast the Commercial Housing Price Index Based on Search Keywords Attention

BAI Li-juan，YAN Xiang-bin，JIN Jia-hua
( School of Management，Harbin Institute of Technology，Harbin 150001，China)

Abstract:Real estate is a pillar industry of the national economy，of which the price forecast is widely concerned by scholars．The previous studies of housing price prediction have serious lag in data sources，thus the validity of the forecast is restricted．The popularity of the Internet enables the increasingly significant capacity of search engine keywords in the characterization of users’real information needs and behavior trends．This provides real-time data for scholars to analyze consumers’information demand and behavior．In this paper we carry out a systematic theoretical analysis on search behavior and housing price determination mechanism．On this basis，we demonstrate the rationality of adding keywords attention index into the housing price prediction model and conduct an empirical research using Google Trend Keywords data．The results illustrate that the new model can improve the predictive power and accuracy of housing price prediction and reduce the prediction error．

Key words:search engine; keywords; commercial housing price index; housing price forecast; search behavior

收稿日期:2014-10-24

doi:10．11847/fj．34．4．65

文章編號(hào):1003-5192( 2015) 04-0065-06

文獻(xiàn)標(biāo)識(shí)碼:A

中圖分類號(hào):F293．3