(5)基于随机森的林的合肥城区商品房定价模型探索(安徽省统计局参加全国建模比赛作品).doc

PAGE PAGE 20 基于随机森林的合肥市城区商品房 定价模型探索 安徽省统计局 摘 要 房地产定价方法是房地产经营过程中的核心与实务。如何定价既影响到房地产企业的销售和利润，也关系到消费者的切身利益。本文利用搜房网、365地产网及百度地图卫星遥感等互联网数据，以目前合肥市城区在售的全部楼盘为研究对象，选取环线、公交、地铁、物业、绿化等15个变量，涵盖区位交通、楼盘品质、周边配套、邻近环境等内容，通过对楼盘均价建立随机森林算法模型，试图找出影响定价的主要因素对其模拟，并结合探索性分析对楼盘分类，建立判别模型。此外，基于模型的拟合结果，结合聚类对奇异点楼盘进行分析。结果表明，随机森林方法稳健性较高，有助于在房地产定价应用中提供参考。 关键词：房地产定价 随机森林 判别模型 互联网数据 一、问题的提出 房地产价格一直是大家关注的热点问题。为什么同一个城市，楼盘价格有高有低？为什么随着时间推移，有些楼盘价格持续看涨，有些却大幅促销?商品房作为老百姓的必需品，也是投资品，其价格的一涨一跌牵动着每一位消费者的心，也关系到社会的和谐和稳定。由于房地产资产规模较大，且具有较强的异质性、不易流动性、不可分割性，其交易信息与数据难以获得，致使对房地产资产的定价研究难度较大，房地产定价模型和方法的研究没有像房地产市场那样得到应有的重视和发展，国内外房地产定价的研究也不多，如何科学定价困扰了专家学者与业内人士。大多数房地产企业按照一般商品模式定价，然而，仅从开发成本角度考虑易导致定价偏低，有利于销售却未体现区位优势和投资潜力，过高的价格又会导致销售不佳。因此，房地产定价模型研究就成为房地产价格未来走势的重要工具。在当今大数据时代，互联网数据获取之便捷以及计算机应用的大量普及，让我们不禁思考，能否运用数据挖掘方法从从纷繁复杂的互联网数据中寻找到房地产定价的一般模式？ 二、相关研究综述 在商品房定价时，定价人员必须考虑开发商成本，同时也要考虑一些相关因素，如楼层、建筑面积、区位、交通、物业管理等。传统的定价方法有：成本加利润法、市场价法和差别定价法。国内外学者以市场竞争、销售博弈、供求理论为基础，根据供需双方之间的市场博弈行为对房地产定价，以影响房地产价格的因素作用波动进行价格调节。2002年Leung B.Y.P，Hui E.C.M.以香港迪斯尼乐园为案例，把定价理论（OPT）运用到房地产定价的策略，阐述了这种定价策略方法的实际应用。2003年Francis K.Cheung，Shawn Ni和Alan Siu对于香港不稳定的房地产市场是否与基于消费者的资产定价模型相一致做出了分析。 近年来，部分学者将神经网络、随机森林、支持向量机等新技术运用到房地产价格评估。2001年NguyenNghiep得出了人工神经网络方法对住宅价格预测效果好于多元线性回归的结论，2010年K.C.Lama，C.Y. Yua和C.K.Lama使用支持向量机预测房产价格，并与多元回归、神经网络等方法进行比较。在国内， 2007年惠彦涛使用Bp神经网络模型对影响住宅价格因素进行分析，张鑫使用支持向量机对杭州二手房价格进行评估， 2010年罗党、?时亚楠基于灰色BP神经网络组合模型对郑州市商品房价格展开预测。现有研究表明，从数据本身出发的算法模型有很好的预测效果。 三、研究设计 （一）研究对象 本文的研究对象为合肥市城区（瑶海区、庐阳区、包河区、蜀山区、政务区、高新区、经开区、新站区、滨湖新区）2014年在售的住宅用楼盘，产权为70年，包括多层、小高层和高层，不包括别墅。 （二）变量选取 从理论上看，对住宅价格评估主要有两方面，一是基于开发成本估价，包括土地出让金、建安工程费用、基础设施配套、广告宣传、税费等，二是基于楼盘的属性特征估价，包括区位交通、配套设施、周边环境、管理水平等，表现为消费者效用的满足程度。在现实生活中，住宅价格远远高于开发成本，特别在很多一、二线城市和省会城市，区位优势明显、周边配套齐全的楼盘可谓“寸土寸金”，楼盘所具备的“居住属性”才是价格的决定性因素。此外，从地租理论角度看，楼盘的“居住属性”与土地出让金成本密切相关。因此，在研究省会合肥市的楼盘定价时，我们认为楼盘的区位、配套、环境等属性能够完全解释价格的变化。 目前，国内外对房地产价格评估的指标主要集中在楼盘品质、区位交通和周边环境三个方面，我们在这些研究的基础上，从指标对价格解释程度出发，并依据系统性、全面性、数据的可得性、可量化性等原则，选取了装修水平x1、环线位置x2、至城市中心乘车时间x3、距离邻近商圈距离x4、容积率x5、物业费标准x6、公共交通x7、绿化率x8、地铁规划x9、楼层情况x10、配套设施x11、商场数量x12、距公园湖山距离x13、区域环境得分x14、建筑面积x1