【摘要】：住房是人們生活中的必需品,關(guān)于住房?jī)r(jià)格問題的討論多年來經(jīng)久不衰,房?jī)r(jià)問題關(guān)乎民生的根本。隨著中國(guó)經(jīng)濟(jì)的快速發(fā)展,如何平衡人民生活水平與日益增長(zhǎng)的房?jī)r(jià),已經(jīng)成為了社會(huì)輿論非常重視的話題。房?jī)r(jià)在不同地區(qū)的異同、哪些因素造成了高房?jī)r(jià)以及房?jī)r(jià)在長(zhǎng)期的變化趨勢(shì),這些問題成為了學(xué)界探討的主要內(nèi)容。研究房?jī)r(jià)的影響因素和房?jī)r(jià)變化的時(shí)空特征,既能在宏觀上幫助相關(guān)部門以更加科學(xué)的視角制定和調(diào)整相關(guān)政策,更好地進(jìn)行市場(chǎng)調(diào)控;也能從微觀上揭示房?jī)r(jià)可能的變化規(guī)律和影響因素的驅(qū)動(dòng)作用,有助于理解房地產(chǎn)市場(chǎng)。本研究根據(jù)南昌市2016年7月至2018年6月共24期的692個(gè)商品住宅均價(jià),結(jié)合與樓盤相關(guān)的若干空間與屬性特征,采用地理加權(quán)回歸方法構(gòu)建房?jī)r(jià)的回歸模型,探究房?jī)r(jià)影響因素在空間上的分異。同時(shí)分別利用BP神經(jīng)網(wǎng)絡(luò)與隨機(jī)森林算法擬合房?jī)r(jià)模型,計(jì)算每個(gè)特征的重要性,并作出房?jī)r(jià)空間分布格局的預(yù)測(cè)。進(jìn)而利用時(shí)空立方體探究南昌市房?jī)r(jià)的時(shí)空分布特征以及影響因素的變化。本文的主要結(jié)論如下:(1)基于地理加權(quán)回歸構(gòu)建的房?jī)r(jià)模型顯示,所有選取的因素均對(duì)房?jī)r(jià)有著一定影響:區(qū)位、自然景觀、周邊配套的便捷性等因素對(duì)房?jī)r(jià)有著比較明顯的負(fù)向影響,而綠化率、物業(yè)費(fèi)等因素對(duì)房?jī)r(jià)的影響是正向的。且不同的影響因素在空間分布上呈現(xiàn)出了一定的差異。(2)基于隨機(jī)森林的房?jī)r(jià)預(yù)測(cè)模型相較于BP神經(jīng)網(wǎng)絡(luò)表現(xiàn)出更優(yōu)效果,適合對(duì)新的房?jī)r(jià)數(shù)據(jù)集進(jìn)行模擬預(yù)測(cè)�？臻g分布格局的預(yù)測(cè)結(jié)果表現(xiàn)出顯著的空間分異特征,在贛江沿岸呈現(xiàn)高值聚集模式,而遠(yuǎn)離贛江的區(qū)域均為低值,同時(shí)房?jī)r(jià)擬合結(jié)果在老城區(qū)內(nèi)誤差相對(duì)較小,相對(duì)較大誤差區(qū)域分布在一些新興發(fā)展區(qū)域。(3)根據(jù)影響因素重要性預(yù)測(cè)結(jié)果,占地面積、容積率、樓棟總數(shù)等樓盤水平因素對(duì)房?jī)r(jià)的影響程度很小,特征重要性從大到小分別為樓盤與贛江的距離、所屬區(qū)域、板塊評(píng)級(jí)、地鐵站可達(dá)性等。且空間特征變量的重要性超過78%,表明南昌市房?jī)r(jià)的空間分異主要由空間特征變量所解釋。(4)南昌市的房?jī)r(jià)在時(shí)空尺度上有著非常明顯的分異特征,沿江區(qū)域和中心城區(qū)以時(shí)空熱點(diǎn)模式為主導(dǎo)分布,而城市外圍區(qū)域主要表現(xiàn)為時(shí)空冷點(diǎn)模式。且時(shí)空熱點(diǎn)區(qū)域的強(qiáng)度從未減弱,時(shí)空冷點(diǎn)區(qū)域有逐漸消失的趨勢(shì),南昌市的房?jī)r(jià)將進(jìn)一步上漲。
【圖文】：

圖 2-2 研究區(qū)范圍與樓盤位置取房?jī)r(jià)數(shù)據(jù)方面，國(guó)內(nèi)外的學(xué)者對(duì)如何選取準(zhǔn)確的房?jī)r(jià)用于研出可利用的房?jī)r(jià)數(shù)據(jù)主要包括：中介網(wǎng)站的掛牌價(jià)格、實(shí)際成交的評(píng)估價(jià)格以及業(yè)主自身的估價(jià)[24-26]。理論上來說，，二手房網(wǎng)理想的，因?yàn)樗芊从齿^為真實(shí)的市場(chǎng)現(xiàn)狀。對(duì)于整個(gè)小區(qū)或，通過網(wǎng)上的地產(chǎn)交易平臺(tái)獲取最為便捷，這些網(wǎng)站的專業(yè)人的報(bào)價(jià)，對(duì)他們進(jìn)行指導(dǎo)和價(jià)格上的調(diào)整，以給出一個(gè)相對(duì)合理每個(gè)業(yè)主提供的價(jià)格對(duì)整個(gè)小區(qū)的均價(jià)進(jìn)行修正估算，給出樓于那些無網(wǎng)上掛牌樣本的小區(qū)，則由專業(yè)人士根據(jù)整個(gè)房地產(chǎn)多個(gè)指標(biāo)，給出建議銷售的價(jià)格。，本文通過“搜房網(wǎng)”收集所利用的住宅和房?jī)r(jià)數(shù)據(jù)，搜房網(wǎng)是易記錄網(wǎng)站之一，該網(wǎng)站記錄了房屋的價(jià)格、種類、地址等各學(xué)者利用搜房網(wǎng)獲取房?jī)r(jià)數(shù)據(jù)，進(jìn)行清洗，提煉出有價(jià)值的信技術(shù)獲取搜房網(wǎng)南昌站樓盤的各項(xiàng)詳細(xì)數(shù)據(jù)，對(duì)于網(wǎng)站中含有

碩士學(xué)位論文樣本數(shù)據(jù)探索性分析根據(jù)房?jī)r(jià)和 18 個(gè)屬性特征建立一個(gè) 692×18 的屬性表，對(duì)數(shù)值型特征采用平均值進(jìn)行填補(bǔ)，分類型特征的缺失值使用眾數(shù)填補(bǔ)，并剔除了 顯的異常樣本。分析 690 個(gè)樣本2018 年6月的房?jī)r(jià)數(shù)據(jù)，總體均價(jià)為 1。利用 ArcGIS Desktop10.6 中的地統(tǒng)計(jì)向?qū)K對(duì)房?jī)r(jià)進(jìn)行探索性分正態(tài) QQ 圖挖掘數(shù)據(jù)的統(tǒng)計(jì)分布特征，發(fā)現(xiàn) 690 個(gè)樣本的房?jī)r(jià)經(jīng)過對(duì)數(shù)本符合正態(tài)分布（圖 3-1）。繪制房?jī)r(jià)的直方圖，當(dāng)月房?jī)r(jià)最大值為 25最小值為 3696 元/3�，极伯岋禂�

本文編號(hào)：2595859