李佳穎 夏雪 許雅秀 魏震宇 劉誠(chéng)
【摘要】本次疫情將對(duì)我國(guó)經(jīng)濟(jì)短期造成較大沖擊,對(duì)諸多行業(yè)產(chǎn)生重大實(shí)質(zhì)性影響。為了探討新冠疫情對(duì)房地產(chǎn)行業(yè)商品房?jī)r(jià)格的影響程度,基于四川省成都市2018年1月至2020年6月每季度商品房?jī)r(jià)格數(shù)據(jù),本文構(gòu)建了一種基于正弦變換的無(wú)偏GM(1,1)-Markov鏈組合預(yù)測(cè)模型,將普通灰色預(yù)測(cè)模型運(yùn)用正弦變換和馬爾科夫鏈的先后組合提高了原預(yù)測(cè)模型精度,求得ε為0.4659%,實(shí)證研究結(jié)果表明新冠肺炎疫情對(duì)成都市每季度商品房?jī)r(jià)格數(shù)據(jù)影響不大。
【關(guān)鍵詞】正弦變換;無(wú)偏GM(1,1);馬爾科夫鏈;預(yù)測(cè)
1、引言
2020年初,全國(guó)爆發(fā)了新冠肺炎疫情,各級(jí)政府緊急出臺(tái)了一系列疫情防控措施,短時(shí)間內(nèi)對(duì)各行各業(yè)都有不同程度的影響。隨著國(guó)內(nèi)疫情形勢(shì)好轉(zhuǎn),各行各業(yè)有序復(fù)工復(fù)產(chǎn),中國(guó)經(jīng)濟(jì)也在慢慢復(fù)蘇,但國(guó)外疫情形勢(shì)卻愈加嚴(yán)峻,仍存在諸多不確定因素。在此背景下,對(duì)四川省成都市商品房的價(jià)格預(yù)測(cè)分析具有重要意義。
現(xiàn)如今,國(guó)內(nèi)外學(xué)者對(duì)于房地產(chǎn)價(jià)格的預(yù)測(cè)分析都有一定的研究。國(guó)內(nèi)學(xué)者王婧和田澎(2005)采用小波神經(jīng)網(wǎng)絡(luò)對(duì)中房上海價(jià)格指數(shù)的月度數(shù)據(jù)進(jìn)行預(yù)測(cè)[1];楊楠和邢力聰(2006)用馬爾科夫模型和n次多項(xiàng)式模型對(duì)全國(guó)房屋年平均銷售價(jià)格進(jìn)行預(yù)測(cè)[2],而這些方法或多或少都存在局限性和不足之處。
本文根據(jù)多種研究方法和現(xiàn)實(shí)因素選擇灰色系統(tǒng)理論來(lái)研究數(shù)據(jù)。灰色模型對(duì)樣本需求小,且較適合用于研究房地產(chǎn)價(jià)格這種無(wú)規(guī)律性的數(shù)據(jù)[3],但仍需對(duì)預(yù)測(cè)精度進(jìn)行優(yōu)化。因此,本文對(duì)原始GM(1,1)預(yù)測(cè)模型進(jìn)行改進(jìn),運(yùn)用正弦變換和Markov鏈提升預(yù)測(cè)精度,以四川省成都市為例,收集了2018年1月至2020年6月每季度商品房?jī)r(jià)格數(shù)據(jù),對(duì)相同時(shí)間如果無(wú)新冠疫情影響的商品房?jī)r(jià)格進(jìn)行了預(yù)測(cè),并計(jì)算了組合模型的精度和誤差,量化分析了新冠疫情對(duì)于房地產(chǎn)價(jià)格的影響程度,為進(jìn)一步深入研究房地產(chǎn)行業(yè)的未來(lái)發(fā)展提供參考。
2、基于正弦變換的無(wú)偏GM(1,1)-Mark
ov鏈預(yù)測(cè)模型的構(gòu)建
2.1模型構(gòu)建
正弦變換的無(wú)偏GM(1,1)-Markov鏈預(yù)測(cè)模型的基本原理是先利用正弦變換的無(wú)偏GM(1,1)來(lái)描述原始序列的總體趨勢(shì)[4],然后利用Markov鏈提取模擬序列與原始序列之間的殘差序列,并分析其細(xì)微變化規(guī)律。其建模過(guò)程如下:
(1)設(shè)非負(fù)原始數(shù)據(jù)序列
,在對(duì)原始數(shù)據(jù)序列作一次累加之前,作某種區(qū)間變換,使原始序列數(shù)據(jù)在不改變單調(diào)性的情況下落在區(qū)間里[5],然后作正弦變換。在此基礎(chǔ)上再對(duì)作一次累加,記為。累加生成新序列。其中。
(2)對(duì)作緊鄰均值生成序列 ,其中。構(gòu)建GM(1,1)灰微分方程,利用最小二乘法由求解參數(shù)a、b。 其中,
(3)隨后建立基于正弦變換的GM(1.1)預(yù)測(cè)模型,重構(gòu)白化微分方程,其中 。求解該方程得無(wú)偏GM(1,1)響應(yīng)序列,
作一次累減還原模型求得無(wú)偏GM(1.1)還原序列,
2.2精度檢驗(yàn)
對(duì)模擬效果好壞的評(píng)價(jià)準(zhǔn)則很多,它們從不同側(cè)面反映模型的擬合效果,本文選擇平均絕對(duì)百分比誤差對(duì)模型精度進(jìn)行分析。
3、四川省成都市商品房?jī)r(jià)格預(yù)測(cè)
3.1數(shù)據(jù)來(lái)源
本文選取四川省成都市2018年1月-2020年6月每季度商品房?jī)r(jià)格數(shù)據(jù)進(jìn)行分析。數(shù)據(jù)來(lái)源于“中指云”公眾號(hào)(2018-2020年),具體數(shù)據(jù)見(jiàn)表1。
3.2構(gòu)建 GM(1,1)預(yù)測(cè)模型
利用表1的數(shù)據(jù)建立GM(1,1)模型,求得參數(shù)a=-0.0403 ,b=9133.1 ,得到模擬值如表2所示。
用平均絕對(duì)百分比誤差(MAPE)指標(biāo)檢驗(yàn)?zāi)P偷念A(yù)測(cè)效果,MAPE指標(biāo)越小,說(shuō)明模型的預(yù)測(cè)效果就越好[7]。根據(jù)上述數(shù)據(jù),可以求得平均絕對(duì)百分比誤差(MAPE)為 。結(jié)果表明,MAPE較大,說(shuō)明單一的GM(1,1)模型不能很好地模擬原始序列數(shù)據(jù)。
3.3構(gòu)建基于正弦變換的GM(1.1)預(yù)測(cè)模型
根據(jù)原始序列數(shù)據(jù)的分布情況,首先對(duì)其作區(qū)間變換(變換結(jié)果見(jiàn)表3),在此基礎(chǔ)上作正弦變換(變換結(jié)果見(jiàn)表3)。將正弦變換后的序列作為GM(1,1)輸入序列。從而求得參數(shù)a=0.0079 ,b=0.994 ,進(jìn)而求得無(wú)偏GM(1,1)模型參數(shù)為r=0.007900041,s=0.99400517 。帶入?yún)?shù),求得無(wú)偏GM(1,1)模擬數(shù)據(jù)(結(jié)果見(jiàn)表3)。
求得平均絕對(duì)百分比誤差(MAPE)為 。由此可以看出,相對(duì)于單一的GM(1,1)模型,基于正弦變換的GM(1,1)預(yù)測(cè)模型的MAPE明顯變小,對(duì)原始數(shù)據(jù)序列的模擬效果要好得多。
3.4構(gòu)建基于正弦變換的無(wú)偏GM(1,1)-Markov鏈預(yù)測(cè)模型
根據(jù)表3計(jì)算出的殘差序列的分布情況,可將其劃分為3個(gè)狀態(tài)(如表4所示)。
分別判斷各年數(shù)據(jù)所處狀態(tài),由表4可得落入各狀態(tài)的原始序列數(shù)據(jù)個(gè)數(shù)分別為M1=1,M2=4,M3=3 ,進(jìn)而求得一步狀態(tài)轉(zhuǎn)移矩陣為:
并由表3計(jì)算出三個(gè)狀態(tài)的中心值分別為 S1=-0.0104,S2=-0.0024,S3=0.0056于是可得Markov鏈修正項(xiàng),進(jìn)而求得由GM(1,1)-Markov鏈組合模型計(jì)算出的模擬值(如表5所示)。
容易求得平均絕對(duì)百分比誤差(MAPE)為 ??梢?jiàn),本文所構(gòu)建的基于正弦變換的無(wú)偏GM(1,1)-Markov鏈模型誤差比之前較低了0.0077%,在模擬效果上得到了很好的改進(jìn)。
3.5精度檢驗(yàn)
經(jīng)驗(yàn)證,該模型的精度較高。通過(guò)上述分析,可知四川省商品房?jī)r(jià)格在疫情期間波動(dòng)不大。
結(jié)論:
本文構(gòu)建了一種基于正弦變換的無(wú)偏GM(1,1)-Markov鏈組合預(yù)測(cè)模型,并利用四川省成都市2018年1月至2020年6月每季度商品房?jī)r(jià)格數(shù)據(jù)進(jìn)行實(shí)證分析,求得平均絕對(duì)百分比誤差(MAPE)為 ,結(jié)果表明,MAPE較大。為了提高模型的精度,我們將普通灰色預(yù)測(cè)模型運(yùn)用正弦變換和馬爾科夫鏈的先后組合,求得平均絕對(duì)百分比誤差(MAPE)分別為 和 ,結(jié)果表明進(jìn)行無(wú)偏分析改進(jìn)的正弦變換的無(wú)偏GM(1,1)組合預(yù)測(cè)模型模擬效果明顯好于單一GM(1,1)模型,而且經(jīng)過(guò)Markov鏈改進(jìn)后,模型的模擬精度又得到了進(jìn)一步的提升。但本文數(shù)據(jù)并非絕對(duì)準(zhǔn)確,后續(xù)可以通過(guò)更多的方法對(duì)無(wú)偏GM(1,1)組合預(yù)測(cè)模型進(jìn)一步進(jìn)行改進(jìn)。
本文實(shí)證研究結(jié)果表明新冠肺炎疫情對(duì)成都市每季度商品房?jī)r(jià)格數(shù)據(jù)影響不大。在疫情最嚴(yán)重的2020年第一季度,商品房政府批準(zhǔn)上市套數(shù)、銷售面積和銷售額有大幅度縮水,但市面上商品房?jī)r(jià)格較為穩(wěn)定,未受疫情太多影響[8]。隨著疫情的穩(wěn)定,我國(guó)房地產(chǎn)行業(yè)作為我國(guó)的支柱產(chǎn)業(yè)之一也在逐漸升溫,繼續(xù)推動(dòng)我國(guó)社會(huì)經(jīng)濟(jì)持續(xù)繁榮[9]。
參考文獻(xiàn):
[1]王婧,田澎.小波神經(jīng)網(wǎng)絡(luò)在房地產(chǎn)價(jià)格指數(shù)預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)仿真,2005(7):96-98.
[2]楊楠, 邢力聰.干預(yù)分析模型在房?jī)r(jià)指數(shù)預(yù)測(cè)中的應(yīng)用[J].統(tǒng)計(jì)與決策,2005,000(021):51-52.
[3]鄧聚龍.灰色預(yù)測(cè)與決策[M].武漢:華中理工大學(xué)出版社1988.
[4]李瑞齋,李義華.基于正弦函數(shù)變換的優(yōu)化GM(1,1)模型及其應(yīng)用[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2017(16):285-289.
[5]別芳宇,陳為真.基于函數(shù)arccos(px+q)變換的灰色預(yù)測(cè)模型研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2017(07):261-265.
[6]李玻,方玲.函數(shù)變換提高灰色預(yù)測(cè)模型精度的條件[J].后勤工程學(xué)院學(xué)報(bào)告,2009(04):86-90.
[7]賈寶惠,耿喆元,藺越國(guó),等.基于改進(jìn)灰色Markov鏈的民機(jī)偶然損傷預(yù)測(cè)模型[J].中國(guó)民航大學(xué)學(xué)報(bào),2018,36(03):1-6.
[8]盤和林.疫情會(huì)給調(diào)控中的房地產(chǎn)行業(yè)帶來(lái)怎樣的影響?[N].21世紀(jì)經(jīng)濟(jì)報(bào)道,2020-02-06(004).
[9]陸挺,王競(jìng).陸挺:全球大流行病下的中國(guó)房地產(chǎn)調(diào)控[J].房地產(chǎn)導(dǎo)刊,2020(Z2):12-15.
作者簡(jiǎn)介:
李佳穎,女,本科,主要從事資產(chǎn)評(píng)估相關(guān)研究。
通訊作者:
劉誠(chéng)(通訊作者),碩士,副教授,主要從事應(yīng)用數(shù)學(xué)及非線性數(shù)據(jù)處理方法研究。
基金項(xiàng)目:
國(guó)家級(jí)大學(xué)生創(chuàng)新訓(xùn)練計(jì)劃項(xiàng)目“新冠肺炎疫情對(duì)房地產(chǎn)行業(yè)的影響分析——以成都市為例”(202010626025)資助