检索结果-南通市图书馆

城镇住宅需求预测方法

引用

建筑经济 2000年第9期21卷 34-37页

作者：赵昭王文元李春敏中国建筑技术研究院

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

三线城市住宅需求预测研究 ——以徐州为例

三线城市住宅需求预测研究 ——以徐州为例

引用

作者：陈阳江苏师范大学

学位级别：硕士

目前,我国三线城市的住宅市场己初具规模,由于住宅产业与其他行业之间较强的关联性,三线城市住宅市场的健康与否会对区域经济发展产生较大的影响。但是三线城市住宅市场的相关研究较少,导致政府、开发商和居民很难客观把握住宅市场现状... 详细信息

目前,我国三线城市的住宅市场己初具规模,由于住宅产业与其他行业之间较强的关联性,三线城市住宅市场的健康与否会对区域经济发展产生较大的影响。但是三线城市住宅市场的相关研究较少,导致政府、开发商和居民很难客观把握住宅市场现状,不利于住宅市场的健康、合理发展。论文以我国东部三线城市徐州为研究区域,系统分析住宅需求的影响因素并预测当地住宅需求量,从而为政府部门准确把握住宅市场基本情况、科学合理制定土地供应规划提供支持,还能帮助房地产企业制定项目规划、节约资金并引导居民理性购房消费,最终达到促进徐州住宅市场健康发展的目的。文章以一、二线城市住宅需求的影响因素研究为参考,选取11项影响因素指标,初步构建徐州市住宅需求影响因素指标体系,研究各项影响因素指标在三线城市住宅需求影响因素研究中的适用性,并对指标体系进行改进和完善,最终构建适用于三线城市的住宅需求影响因素指标体系,获取关键影响因子。在此基础上,论文采用GM(1,1)模型、多元逐步回归分析以及BP神经网络三种方法分别对徐州市住宅需求展开预测,在对比分析上述预测模型的适用性、准确性及预测结果之后,最终确定徐州市2016～2020年住宅需求量。研究结论:(1)城市人均可支配收入、城市人均消费性支出、在岗职工平均工资、城镇人口数、城镇化率、地区生产总值以及住宅投资额与徐州市住宅需求之间存在较强的关联性(关联度>0.7),属于关键影响因子;(2)城镇人口数、城镇化率与地区人口总数、商品房销售额相比,更能体现区域人口规模以及城镇化水平两项因素对三线城市住宅需求的影响;(3)上述三种预测方法中,GM(1,1)模型的预测精度最低(平均相对误差为10.76%),其次为BP神经网络模型的预测精度(平均相对误差为8.49%),基于多元逐步回归分析方法的预测精度最高(平均相对误差为5.69%);(4)GM(1,1)模型在预测过程中没有考虑相关因素的影响,而多元逐步回归分析和BP神经网络以关键影响因子为自变量构建预测模型,预测过程较科学合理,预测结果也更具可信度;(5)基于多元逐步回归分析与BP神经网络的平均相对误差较小且二者的预测结果具有相似的趋势特征,文章最终采用多元逐步回归分析与BP神经网络的预测结果分别为徐州市2016～2020年住宅需求量的上限及下限,该结果能够降低单独采用某一方法出现的可能偏差,可信度相对较高;(6)徐州市未来住宅需求将呈现逐年增加的发展态势,当地住宅市场的发展前景较为乐观,但是仍存在一些问题,文章从加强经济建设、强化数据整理工作、健全数据公布制度、调整政策方针、完善住宅市场监管等方面提出对策建议,供徐州市政府部门参考;(7)本研究可以为徐州市政府、房地产开发企业及市民提供相应的参考,对我国其他三线城市的住宅需求预测具有一定借鉴意义。

关键词：住宅需求预测灰色关联分析 GM(1,1)模型多元逐步回归分析 BP神经网络

来源：

同方学位论文库评论