繆格，李英冰，袁菲

(1.武漢大學(xué)測(cè)繪學(xué)院，湖北 武漢 430079； 2.武漢大學(xué)測(cè)繪學(xué)院時(shí)空大數(shù)據(jù)研究中心，湖北 武漢 430079)

基于多元回歸法的武漢市二手房?jī)r(jià)格影響因素研究

繆格1*，李英冰1，2，袁菲1

(1.武漢大學(xué)測(cè)繪學(xué)院，湖北 武漢 430079； 2.武漢大學(xué)測(cè)繪學(xué)院時(shí)空大數(shù)據(jù)研究中心，湖北 武漢 430079)

二手房?jī)r(jià)格受到區(qū)域因素、房屋自身因素、市場(chǎng)因素等多種因素綜合影響，傳統(tǒng)估價(jià)方法過(guò)多關(guān)注于房地產(chǎn)自身屬性的差異及修正，有較強(qiáng)的主觀性。本文以特征價(jià)格模型為基礎(chǔ)，采用多元線性回歸模型和多元對(duì)數(shù)回歸模型，建立二手房?jī)r(jià)格與區(qū)位因素、房屋自身因素等影響因子之間的函數(shù)關(guān)系，并采用武漢市二手房掛牌數(shù)據(jù)、看房?jī)r(jià)網(wǎng)(www.kanfangjia.cn)數(shù)據(jù)和百度熱點(diǎn)數(shù)據(jù)，對(duì)武漢市二手房各個(gè)特征變量進(jìn)行篩選、量化和整合，并對(duì)比分析不同區(qū)域各個(gè)特征變量對(duì)二手房?jī)r(jià)格的影響程度，實(shí)驗(yàn)結(jié)果與實(shí)際情況符合度較好。

二手房；特征價(jià)格；價(jià)格評(píng)估；影響因素；多元回歸法

1 引 言

二手房?jī)r(jià)格是政府和廣大人民的關(guān)注焦點(diǎn)，而如何給出相對(duì)客觀價(jià)格，受到研究人員和市場(chǎng)交易的廣泛關(guān)注。傳統(tǒng)的房?jī)r(jià)評(píng)估方法常用的是市場(chǎng)比較法、收益還原法和成本法，但在實(shí)踐中往往依賴評(píng)估師的經(jīng)驗(yàn)，對(duì)數(shù)理模型的運(yùn)用比較少[1]。Cour最早提出特征價(jià)格模型，當(dāng)時(shí)多用于耐用消費(fèi)品的定價(jià)[2]。特征價(jià)格模型從產(chǎn)品的差異性出發(fā)，把二手房產(chǎn)品價(jià)格分解為各個(gè)特征價(jià)格，核心在于建立二手房特征與價(jià)格之間的函數(shù)關(guān)系[2]。特征價(jià)格模型將房屋價(jià)格特征化能讓消費(fèi)者更能理解房?jī)r(jià)構(gòu)成，購(gòu)房者可以根據(jù)自己的需求與經(jīng)濟(jì)狀況有針對(duì)性地選擇自己想要的居住環(huán)境；此外，從消費(fèi)者的需求角度出發(fā)，從房屋特征的角度看待房屋價(jià)格，在一定程度上反映出消費(fèi)者對(duì)房屋特征變量的關(guān)心程度，使房?jī)r(jià)的評(píng)估更為簡(jiǎn)易，為政府等有關(guān)部門提供借鑒[3]。

特征價(jià)格模型自提出以來(lái)，被國(guó)內(nèi)外研究不斷深入且緊密聯(lián)系實(shí)際開(kāi)展研究。1999年，Paliwal等基于特征價(jià)格模型，引入三角模糊數(shù)法衡量人們對(duì)土地購(gòu)買的意愿[4]；Peterson(2009)將人工神經(jīng)網(wǎng)絡(luò)法與特征價(jià)格模型相結(jié)合[5]；Badi H.Baltagi(2011)用極大似然估計(jì)擬合了特征價(jià)格模型[6]。國(guó)內(nèi)學(xué)者最早是由中國(guó)人民大學(xué)蔣一軍、龔江輝(1996)利用特征價(jià)格方法提出了計(jì)算異質(zhì)商品價(jià)格指數(shù)的方法，并將其應(yīng)用于房地產(chǎn)價(jià)格指數(shù)的計(jì)算[7]，溫海珍(2003)開(kāi)啟了國(guó)內(nèi)特征價(jià)格模型實(shí)證研究之路，對(duì)杭州市二手房交易案例進(jìn)行數(shù)據(jù)整合，研究特征影響變量[8]；黃古博、李雨真(2011)應(yīng)用主成分法改進(jìn)二手房的特征價(jià)格模型，排除變量間因多重共線性產(chǎn)生的誤差[9]；李恒凱(2012)結(jié)合地理信息系統(tǒng)(GIS)和主成分分析(PCA)算法研究如何提高二手房特征價(jià)格模型函數(shù)擬合效果及準(zhǔn)確性[10]。

二手房?jī)r(jià)格往往受到多種因素的影響，特征價(jià)格模型將二手房?jī)r(jià)格分解為各個(gè)特征價(jià)格，得出各個(gè)特征對(duì)二手房?jī)r(jià)格的影響，從而實(shí)現(xiàn)二手房?jī)r(jià)格的估算。本文采用特征價(jià)格模型，從消費(fèi)需求出發(fā)，用多元回歸分析法將房?jī)r(jià)分解為各個(gè)特征價(jià)格來(lái)研究房?jī)r(jià)的影響因素，其中通過(guò)逐步回歸和變量整合以避免變量間的多重共線性，從理論上分析二者的函數(shù)關(guān)系。

2 特征價(jià)格模型的構(gòu)建

2.1 特征價(jià)格模型理論及參數(shù)估計(jì)

二手房的真正效用源自于其包含的各個(gè)分散的功效特征，如面積、樓齡、朝向，如果二手房所包含的特征不同，則相應(yīng)的價(jià)格也不同。消費(fèi)者愿意為二手房的某個(gè)特征的每單位增加而支付的額外費(fèi)用，則稱為該特征的隱含價(jià)格(特征價(jià)格)，它反映了各個(gè)特征對(duì)二手房?jī)r(jià)格的貢獻(xiàn)程度。構(gòu)建回歸函數(shù)是特征價(jià)格模型的研究的核心，Butler理論闡述房屋價(jià)格受區(qū)位特征(L)、建筑特征(S)、鄰里環(huán)境(N)三大特征變量影響[11]：

P=f(L，S，N)

(1)

在其他條件不變前提下，將每個(gè)特征求偏導(dǎo)即為邊際隱含特征價(jià)格。國(guó)外文獻(xiàn)出現(xiàn)最頻繁的模型變量為面積，總層數(shù)，裝修程度，有無(wú)CBD，公交站，有無(wú)地鐵，樓齡，教育設(shè)施與生活、娛樂(lè)設(shè)施等[1]。在函數(shù)形式的設(shè)定中，最常用的函數(shù)形式為線性形式和對(duì)數(shù)形式，計(jì)算公式分別為式(2)和式(3)：

P=α0+∑αiZi+ε

(2)

ln(P)=α0+∑αiln(Zi)+ε

(3)

其中P是特征價(jià)格，Zi是住房的特征變量，αi是常數(shù)項(xiàng)，ε是隨機(jī)干擾項(xiàng)。

對(duì)數(shù)模型中，自變量和因變量以對(duì)數(shù)形式進(jìn)入模型，則回歸系數(shù)對(duì)應(yīng)著特征的價(jià)格彈性。對(duì)數(shù)模型是假設(shè)函數(shù)經(jīng)過(guò)顯性化處理后得到的表達(dá)，對(duì)數(shù)模型考慮到了二手房特征應(yīng)當(dāng)遵循邊際效用遞減規(guī)律，即房屋價(jià)格隨某種特征的增加而增加，但增加速率會(huì)越來(lái)越慢，對(duì)數(shù)模型能較好地反映價(jià)格與各個(gè)特征之間的函數(shù)關(guān)系。

經(jīng)典線性計(jì)量經(jīng)濟(jì)學(xué)模型最常用的最小二乘法實(shí)現(xiàn)參數(shù)估計(jì)法的應(yīng)用。參數(shù)的最小二乘估計(jì)(OLS)：選擇合適的參數(shù)αi使得全部樣本值的殘差平方和(Rss)最小，即

(4)

Yi——為樣本的真實(shí)值

線性、無(wú)偏性、最小方差性是運(yùn)用最小二乘法所得的多元線性回歸參數(shù)估計(jì)值所具有的特性[2]。

2.2 模型變量的選取與量化

選取房?jī)r(jià)相應(yīng)的解釋變量是在對(duì)武漢市二手房?jī)r(jià)格分析建模前必須考慮的步驟。根據(jù)已有的數(shù)據(jù)及后期可以獲取到的數(shù)據(jù)，結(jié)合國(guó)內(nèi)外特征價(jià)格模型常用的解釋變量，初步選取室廳、面積、有無(wú)景點(diǎn)、首付、層數(shù)、有無(wú)車庫(kù)、總層數(shù)、朝向、樓齡、有無(wú)地鐵、裝修程度、學(xué)校、公園、CBD、公交線路、醫(yī)院、商場(chǎng)這17個(gè)解釋變量研究。

特征變量，詳細(xì)信息主要包括室廳、面積、總層數(shù)、朝向、裝修程度、樓齡、學(xué)校、公園、醫(yī)院、商場(chǎng)、中央商務(wù)區(qū)(CBD)、有無(wú)地鐵等解釋變量。

二手房的特征變量分定量、定性變量，為了從數(shù)理模型是研究各個(gè)特征變量對(duì)二手房?jī)r(jià)格產(chǎn)生的影響，需要將各個(gè)變量進(jìn)行量化整合，不同類別的變量量化方式不同，如表1所示。

住宅解釋變量的初步選取 表1

(1)定性變量的量化

定性變量用三種方法來(lái)量化，即虛擬變量量化法、李克特量表量化法和綜合性指標(biāo)量化法[3]，具體量化法如表2所示：

定性變量量化表 表2

表2中，地鐵凸顯了交通的便捷程度，因此二手房周圍有地鐵也會(huì)讓房?jī)r(jià)相應(yīng)提升，預(yù)期影響為正；其次，將裝修程度量化為四個(gè)等級(jí)，裝修程度越高，表明住宅的成本價(jià)格越高，住宅價(jià)格也越高。

當(dāng)特征變量選取較多時(shí)，自變量之間可能存在較大的相關(guān)性，為了避免自變量的多重共線性問(wèn)題，采用綜合性指標(biāo)量化法來(lái)進(jìn)行特征變量的整合以減少變量數(shù)目。

(2)定量變量的量化

二手房?jī)r(jià)格、面積、樓齡、室廳數(shù)、層數(shù)、總層數(shù)、公交站數(shù)這7個(gè)定量變量直接用實(shí)際數(shù)值(對(duì)數(shù)模型中對(duì)二手房面積進(jìn)行簡(jiǎn)單的自然對(duì)數(shù)變換)進(jìn)行量化，如表3所示，變量?jī)?nèi)涵也比較簡(jiǎn)單客觀[1]。

定量變量量化表 表3

小區(qū)周圍公交站個(gè)數(shù)越多，居民出行越方便，住宅價(jià)格越高。樓齡是住宅竣工日期到2016年的時(shí)間段長(zhǎng)度，計(jì)量單位為年，例如2015年竣工的住宅樓齡為1，樓齡反映建筑本身的新舊與使用程度，樓齡與住宅價(jià)格呈負(fù)相關(guān)關(guān)系。

變量經(jīng)過(guò)整合和量化后，初步確定進(jìn)入模型的特征變量有12個(gè)。

2.3 模型變量的剔除與篩選

由于初步選擇的特征變量較多，特征變量之間可能存在比較嚴(yán)重的線性關(guān)系，上述采用綜合性指標(biāo)方法量化部分變量克服自變量之間的多重共線性，本文還采用逐步回歸法，逐步回歸是向前回歸法和向后回歸法的結(jié)合，首先按自變量對(duì)因變量的貢獻(xiàn)率進(jìn)行排序，按照從大到小的順序選擇進(jìn)入模型的變量。每將一個(gè)變量加入或刪除模型(步進(jìn))時(shí)，要進(jìn)行偏F檢驗(yàn)，剔除不顯著的變量，然后再對(duì)留在模型中的變量進(jìn)行檢驗(yàn)，直到?jīng)]有變量可以納入，也沒(méi)有變量可以剔除為止，從而盡量排除變量多重共線的可能性。步進(jìn)準(zhǔn)則中，F(xiàn)檢驗(yàn)的概率≤0.050表示自變量對(duì)因變量的影響顯著，判斷結(jié)果為進(jìn)入(enter)模型；F檢驗(yàn)的概率≥0.100表示自變量對(duì)因變量的影響為不顯著，判斷結(jié)果為移出(remove)模型。

模型構(gòu)建最終確定的特征變量 表4

由表4可見(jiàn)，被移去的變量有層數(shù)，室廳和朝向，可能是因?yàn)檠芯康臄?shù)據(jù)中包含一定量的商鋪，使得一些自變量與因變量的函數(shù)關(guān)系不明顯。最終進(jìn)入回歸模型的特征變量共9個(gè)，分別是面積，總層數(shù)，裝修程度，有無(wú)CBD，公交站，有無(wú)地鐵，樓齡，教育設(shè)施與生活、娛樂(lè)設(shè)施。

量化整合修正后共有9個(gè)特征變量，將其逐步導(dǎo)入模型，當(dāng)9個(gè)特征變量全部導(dǎo)入模型時(shí)，模型的擬合效果最好。所以，最終確定的解釋變量分別是面積，總層數(shù)，裝修程度，有無(wú)CBD，公交站，有無(wú)地鐵，樓齡，教育設(shè)施與生活、娛樂(lè)設(shè)施。

3 實(shí)證研究

3.1 實(shí)驗(yàn)數(shù)據(jù)說(shuō)明

武漢市近幾年房?jī)r(jià)成穩(wěn)定增長(zhǎng)趨勢(shì)，且武漢市各區(qū)域房?jī)r(jià)差異較大，本文選取了2015年武漢市10個(gè)區(qū)二手房交易掛牌數(shù)據(jù)2 000個(gè)進(jìn)行研究。

通過(guò)對(duì)數(shù)據(jù)的統(tǒng)計(jì)分析，刪除不符合常理的數(shù)據(jù)記錄后，分別作各個(gè)自變量與因變量的箱線圖，如圖1所示：橫坐標(biāo)表示二手房的建成年份(年)，反映出二手房的樓齡，縱坐標(biāo)表示所研究的二手房?jī)r(jià)格(萬(wàn)元/m2)。

箱線圖利用數(shù)據(jù)中的5個(gè)統(tǒng)計(jì)量：最小值、第一四分位數(shù)、中位數(shù)、第三四分位數(shù)與最大值來(lái)描述、判斷數(shù)據(jù)異常值，從中鑒別出離群值和極端值。描繪個(gè)案偏離箱體邊緣(上端、下端)的距離是箱體的幾倍，其中“°”表示離群點(diǎn)(1.5倍～3倍)，“*”表示極端離群點(diǎn)(超過(guò)3倍)，然后進(jìn)行異常值剔除后，最后采用的樣本數(shù)為 1 494個(gè)。

圖1 二手房總價(jià)與二手房建成年份箱線圖

3.2 擬合分析與自相關(guān)DW檢驗(yàn)

當(dāng)選取的9個(gè)特征變量全部進(jìn)入模型時(shí)擬合效果最好，多元回歸分析結(jié)果如表5所示，R代表復(fù)相關(guān)系數(shù)，在多元回歸中，為了避免擬合效果單調(diào)隨變量X的增加而變大，R(a)更能體現(xiàn)擬合和方程的顯著性檢驗(yàn)。R的平方即R2表示回歸方程對(duì)樣本觀測(cè)值的擬合程度，越接近于1，方程的擬合度越高。線性模型與對(duì)數(shù)線性模型的復(fù)相關(guān)系數(shù)分別為0.927，0.935。當(dāng)給模型增加自變量時(shí)，復(fù)決定系數(shù)也隨之逐步增大，當(dāng)自變量足夠多時(shí)會(huì)得到模型擬合良好，而實(shí)際卻可能并非如此，于是考慮對(duì)R2進(jìn)行調(diào)整，稱調(diào)整R2，分別為0.858，0.873；模型所能解釋因變量差異的百分比都大于85%，自變量和因變量間表現(xiàn)出較良好的線性關(guān)系，有較好的模型解釋能力。但線性模型的標(biāo)準(zhǔn)估計(jì)誤差遠(yuǎn)遠(yuǎn)高于對(duì)數(shù)模型，且對(duì)數(shù)模型的解釋力度更強(qiáng)，經(jīng)對(duì)比可見(jiàn)，對(duì)數(shù)線性模型具有更好的解釋力。

估計(jì)標(biāo)準(zhǔn)誤差是說(shuō)明實(shí)際值與其估計(jì)值之間相對(duì)偏離程度的指標(biāo)，主要用來(lái)衡量回歸方程的代表性，對(duì)數(shù)模型的誤差值遠(yuǎn)小于線性模型，對(duì)數(shù)模型方程代表性更優(yōu)。

更改后的F檢驗(yàn)值分別為905.605、1144.248，sig顯著性水平都為0.000，小于0.05，則F檢驗(yàn)通過(guò)，表示統(tǒng)計(jì)量顯著，方程中自變量因變量間線性關(guān)系能夠成立，模型對(duì)樣本數(shù)據(jù)的擬合在統(tǒng)計(jì)上有意義。

多元線性回歸分析的一個(gè)假定是誤差項(xiàng)的相互獨(dú)立性，要驗(yàn)證在誤差之間是否存在自相關(guān)聯(lián)系效應(yīng)，避免導(dǎo)致線性回歸分析出現(xiàn)嚴(yán)重的偏誤，所以用較為精確的自相關(guān)檢驗(yàn)方法——自相關(guān)DW檢驗(yàn)來(lái)考察，兩個(gè)回歸方程的DW檢驗(yàn)值，分別為1.820和1.744，都接近于2，可認(rèn)為兩個(gè)模型中的誤差項(xiàng)基本上是獨(dú)立的，基本不存在異方差問(wèn)題，如表5所示。

多元回歸分析結(jié)果的擬合優(yōu)度表 表5

3.3 多重共線性檢驗(yàn)與回歸方程分析

多元系數(shù)回歸如表6所示。B值是指回歸系數(shù)和截距，常數(shù)則代表截距，變量對(duì)應(yīng)的B值代表回歸系數(shù)。

標(biāo)準(zhǔn)誤差用來(lái)衡量抽樣誤差，越小表明樣本對(duì)總體越有代表性，用樣本推斷總體參數(shù)的可靠度越大。經(jīng)對(duì)比可見(jiàn)，對(duì)數(shù)模型中的標(biāo)準(zhǔn)誤差遠(yuǎn)小于線性模型，說(shuō)明對(duì)數(shù)模型二手房?jī)r(jià)格回歸方程房?jī)r(jià)預(yù)測(cè)可靠性較好。

標(biāo)準(zhǔn)化回歸系數(shù)是指去除了因變量Y和自變量X1，X2，…Xn量綱影響之后的回歸系數(shù)，其絕對(duì)值的大小直接反映了Xi對(duì)Y的影響程度。

VIF為方差膨脹因子，用于檢驗(yàn)自變量的多重共線性，標(biāo)準(zhǔn)為10，超過(guò)10即表明自變量間存在較嚴(yán)重的多重共線性，表中VIF最大為2.152，遠(yuǎn)遠(yuǎn)小于10，可認(rèn)為自變量間不存在顯著的多重共線性，如表6所示。

多元回歸系數(shù)表 表6

由上述多元線性回歸分析回歸系數(shù)表可知，最終的回歸方程為：

(2)線性模型多元回歸方程：

P=-54.859+0.485X1+4.922X2-0.635X3+5.741X4+0.196X5+5.537X6+13.837X7+3.638X8+0.827X9

(5)

(3)對(duì)數(shù)模型多元回歸方程：

LnP=-0.724+0.004X1+0.055X2-0.007X3+0.066X4+0.002X5+0.088X6+0.220X7+0.041X8+0.964LnX9

(6)

式(5)與式(6)為多元線性回歸分析最終確定的回歸方程，其中，P代表二手房?jī)r(jià)格，X1，X2，…X9分別代表總層數(shù)、裝修程度、樓齡、教育設(shè)施、公交站、有無(wú)CBD、有無(wú)地鐵、生活、娛樂(lè)設(shè)施和面積。對(duì)各個(gè)特征變量對(duì)房?jī)r(jià)的預(yù)期影響進(jìn)行回歸參數(shù)公式符號(hào)的驗(yàn)證分析，驗(yàn)證結(jié)果符合預(yù)期值。經(jīng)過(guò)對(duì)比，線性模型中各項(xiàng)標(biāo)準(zhǔn)誤差較大，可能是因?yàn)槎孔兞棵娣e的數(shù)值較大，從而引起了數(shù)值較小的定性變量的回歸參數(shù)的畸變。對(duì)數(shù)模型各個(gè)回歸參數(shù)的標(biāo)準(zhǔn)誤差遠(yuǎn)遠(yuǎn)小于線性模型，在一定程度上反映出對(duì)數(shù)模型有更好的解釋能力。

3.4 殘差分析與模型應(yīng)用

(1)殘差分析

在模型假定基礎(chǔ)上建立判定系數(shù)的計(jì)算和顯著性檢驗(yàn)，這就考慮到模型的假定基礎(chǔ)的真實(shí)性問(wèn)題。如果模型的假定不真實(shí)，那么模型的適用性就遭受懷疑，殘差分析是證實(shí)模型假定真實(shí)性的基本方法，兩個(gè)模型的絕大多數(shù)標(biāo)準(zhǔn)化殘差隨機(jī)落于-2和+2之間，滿足方差齊次性的假設(shè)，可認(rèn)為兩個(gè)模型的假定都合理。

(2)參數(shù)回代差價(jià)分析

目前共有1 494個(gè)武漢市二手房樣本案例，通過(guò)所得出的兩個(gè)模型回歸公式做參數(shù)回代，得出計(jì)算出的理論價(jià)格，并且與相應(yīng)的實(shí)際二手房?jī)r(jià)格做差價(jià)作為橫坐標(biāo)，縱坐標(biāo)為差價(jià)數(shù)值出現(xiàn)的頻率，形成頻率分布直方圖，如圖2所示：

圖2 武漢市線性模型與對(duì)數(shù)模型差價(jià)頻率直方圖

線性模型和對(duì)數(shù)模型分別對(duì)應(yīng)差價(jià)頻率直方圖都滿足正態(tài)分布，每平方米價(jià)格差價(jià)大多數(shù)都集中在 1 500元以內(nèi)，對(duì)比可見(jiàn)對(duì)數(shù)模型的差價(jià)頻率曲線更為陡峭，且超出 2 000元范圍的差價(jià)相比于線性模型要少得多，模型擬合效果更好。

(3)特征變量影響程度的區(qū)域分析

各個(gè)二手房特征價(jià)格的量綱不同，故采用標(biāo)準(zhǔn)化回歸系數(shù)(去除量綱)來(lái)衡量自變量的相對(duì)重要性，可將自變量對(duì)因變量的相對(duì)影響程度大小進(jìn)行排序，如表7所示。

(4)實(shí)例驗(yàn)證分析

隨機(jī)選取武漢市某一二手房案例來(lái)進(jìn)行參數(shù)回代反算二手房?jī)r(jià)格，線性模型回歸方程案例計(jì)算出來(lái)的二手房總價(jià)差價(jià)為2萬(wàn)元，二手房每平方米價(jià)格差價(jià)172元。對(duì)數(shù)模型回歸方程案例計(jì)算出來(lái)的二手房總價(jià)差價(jià)為1萬(wàn)元，二手房每平方米價(jià)格差價(jià)85元，可見(jiàn)這個(gè)案例擬合效果不錯(cuò)。從整體看，線性模型每平方米價(jià)格差價(jià)均值在870元，對(duì)數(shù)模型的每平方米價(jià)格差價(jià)均值在820元，由差價(jià)頻率分布直方圖可看出每平方米價(jià)格差價(jià)大多數(shù)分布在 1 500元以內(nèi)。

對(duì)數(shù)模型下武漢各區(qū)標(biāo)準(zhǔn)化回歸系數(shù)及特征影響程度分析表 表7

4 結(jié) 論

本文基于特征價(jià)格模型，結(jié)合武漢二手房數(shù)據(jù)，采用多元回歸方法，評(píng)估了二手房?jī)r(jià)格的影響因素，主要工作與貢獻(xiàn)為：

(1)利用掛牌數(shù)據(jù)、看房?jī)r(jià)網(wǎng)數(shù)據(jù)、百度API數(shù)據(jù)查詢獲取了武漢市及其江漢區(qū)、江夏區(qū)、武昌區(qū)的二手房各個(gè)特征變量的數(shù)據(jù)并且進(jìn)行篩選、量化和整合。并對(duì)影響因素進(jìn)行了排序。

(2)分別構(gòu)建了可供實(shí)際應(yīng)用的線性模型、對(duì)數(shù)模型對(duì)二手房?jī)r(jià)格評(píng)估進(jìn)行分析比較，經(jīng)過(guò)模型擬合優(yōu)度、標(biāo)準(zhǔn)誤差、殘差分布與差價(jià)頻率圖的對(duì)比分析，對(duì)數(shù)模型擬合效果更好，其回歸方程解釋能力更強(qiáng)。

在數(shù)據(jù)分析時(shí)，有些問(wèn)題需要進(jìn)一步研究。如有些數(shù)據(jù)仍不容易獲取，如居民的收入水平、小區(qū)環(huán)境質(zhì)量、小區(qū)居民素質(zhì)等，可能會(huì)導(dǎo)致特征變量因素不全面進(jìn)而影響模型的擬合。以后的研究應(yīng)重點(diǎn)學(xué)習(xí)如何量化人文因素與環(huán)境質(zhì)量這些未有特定量化標(biāo)準(zhǔn)的特征變量。

[1] 張?chǎng)? 基于特征價(jià)格的二手房?jī)r(jià)格評(píng)估方法研究[D]. 杭州：浙江大學(xué)，2007.

[2] Court，A T. Hedonic Price Indexes with Automotive Examples，In The Dynamics of Automobile Demand，New York：General Motors，1939.

[3] 李志輝. 基于Hedonic模型的武漢住宅特征價(jià)格研究[D]. 武漢：華中農(nóng)業(yè)大學(xué)，2008.

[4] Paliwal R，Geevarghese G A，Babu P R，et al. Valuation of Landmass Degradation Using Fuzzy Hedonic Method：A Case Study of National Capital Region[J]. Environmental & Resource Economics，1999，14(4)：519～543.

[5] Jonathan P，Russell J A，Andrew G，et al. The neurophysiological bases of emotion：An fMRI study of the affective circumflex using emotion-denoting words[J]. Human Brain Mapping，2009，30(3)：883～895.

[6] Baltagi B H，Bresson G. Maximum likelihood estimation and Lagrange multiplier tests for panel seemingly unrelated regressions with spatial lag and spatial errors：An application to hedonic housing prices in Paris[J]. Journal of Urban Economics，2011，69(1)：24～42.

[7] 蔣一軍，襲江輝. 房地產(chǎn)價(jià)格指數(shù)與Hedonic模型[J]. 中國(guó)資產(chǎn)評(píng)估，1996(3)，30～32.

[8] 溫海珍，賈生華. 二手房的特征與特征的價(jià)格——基于特征價(jià)格模型的分析[J]. 浙江大學(xué)學(xué)報(bào)·工學(xué)版，2004(10)：1138～1149.

[9] 黃古博，李雨真. 基于主成分分析法的商品住宅特征價(jià)格模型改進(jìn)[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2011(4)：93～97.

[10] 李恒凱，王秀麗，劉小生. 基于GIS和PCA的住宅房產(chǎn)特征價(jià)格模型[J]. 測(cè)繪科學(xué)，2012，37(2)：119～122.

[11] Butler，R V. The specification of hedonic indexes for urban housing[J]. Land Economics，1982，58，94～108.

[12] Lee J，Kwak S J，List J A. Average Derivative Estimation of Hedonic Price Models[J]. Environmental & Resource Economics，2000，16(1)：81～91.

[13] 馬思新，李昂. 基于 Hedonic模型的北京住宅價(jià)格影響因素分析[J]. 土木工程學(xué)報(bào)，2003(9)：59-64.

[14] 周麗萍. 商品住宅特征價(jià)格模型與指數(shù)的應(yīng)用研究[D]. 西安：西安建筑科技大學(xué)，2008.

The Influence Factors research of Second-hand House Price in Wuhan City Based on the Multiple Regression Method

Miao Ge1，Li Yingbing1，2，Yuan Fei1

(1.School of Geodesy and Geomatics，Wuhan University，Wuhan 430079，China； 2.Spatial-temporal Big Data Research Center，School of Geodesy and Geomatics，Wuhan University，Wuhan 430079，China)

Second hand housing prices are subject to regional factors，housing factors，market factors and other factors. A lot of attentions are paid to the real estate property of the differences and amendments for the traditional evaluation methods. There is a strong subjectivity. Based on hedonic price model，the multiple linear regression model and multiple regression model are used to establish the function relationship between the price of second-hand house and location factors，housing factors and other influencing factors. By using Wuhan second-hand housing listing data，the data from the website of kanfangjia (www. kanfangjia. cn)，and the data form the website of Baidu，making the screening，quantification and integration the various characteristics of second-hand housing variables of Wuhan，and to compare and analyze the influence degree of each characteristic variable on the price of second-hand house，and the results of the experiment fit well with the actual situation.

second hand housing；hedonic price；price evaluation；influencing factor；multiple regression method

1672-8262(2017)01-33-06

P208.2

A

2016—08—17 作者簡(jiǎn)介：繆格(1994—)，女，碩士研究生，研究方向?yàn)闀r(shí)空大數(shù)據(jù)分析。 基金項(xiàng)目：武漢市住房保障和房屋管理局信息化建設(shè)項(xiàng)目：“智慧房管”主數(shù)據(jù)庫(kù)設(shè)計(jì)及一期建庫(kù)WHZC-2014-075A(2210、2415、2416)