基于ARIMA模型的我国房地产价格预测分析

摘要伴随着改革开放政策的开展与深入，我国城镇化水平逐步提高，人民生活水平上涨的同时，居民的购房热情也得到了充分的刺激，致使房地产行业“一日行千里”，飞速发展。房地产市场持续发展，作为我国的支柱产业之一，房地产业对国民经济做出了巨大的贡献，甚至影响着其他相关行业的发展，牵一发而动全身。2016年以来，为了抑制房地产的投机行为，控制房价上涨，政府出台了一系列政策促使房地产市场降温。2020年，受新冠疫情影响，房地产市场出现波动，但在政策刺激下逐渐回暖。产业经济结构不断被各种新思路、各项新政策调整着，房地产行业仍处于严峻的发展环境中，仍面临着许多新的挑战。本文在基于国内外学者研究基础上，结合国内经济发展形势研究房地产行业的发展现状，从房地产价格的角度切入，分析影响房地产价格的因素，选取《中国统计年鉴2022》中的关于房地产价格的相关数据，通过Eviews软件运用时间序列分析的方法进行研究分析，构建ARIMA模型，预测我国房地产价格趋势，为中国政府、企业和公众提供科学的决策参考，以推动房地产行业的健康发展及规范化管理。

【关键词】ARIMA模型；预测；房地产ABSTRACTWiththedevelopmentanddeepeningofthereformandopeninguppolicy,thelevelofurbanizationinChinahasbeengraduallyimprovedandpeople'slivingstandardshaverisenatthesametime,residents'enthusiasmforhousepurchasehasbeenfullystimulated,resultingintherealestateindustry"athousandliinaday",rapiddevelopment.Thesustainabledevelopmentofrealestatemarket,asoneofthepillarindustriesinourcountry,realestateindustryhasmadegreatcontributiontonationaleconomy,evenaffectingthedevelopmentofotherrelatedindustries.Since2016,thegovernmenthasintroducedaseriesofpoliciestolimithousingpricesandcurbspeculationtocoolthepropertymarket.In2020,therealestatemarketfluctuatedduetotheimpactofthenovelcoronavirusepidemic,butgraduallyrecoveredunderthepolicystimulus.Theindustrialeconomicstructureisconstantlybeingadjustedbyavarietyofnewideas,newpolicies,therealestateindustryisstillinaseveredevelopmentenvironment,stillfacingmanynewchallenges.Basedontheresearchofdomesticandforeignscholarsandcombinedwiththedevelopmentsituationofdomesticeconomy,thispaperstudiesthedevelopmentstatusoftherealestateindustry,analyzesthefactorsaffectingtherealestatepricefromtheperspectiveofrealestateprice,selectstherelevantdataofrealestatepriceinChinaStatisticalYearbook2022,andadoptsthemethodoftimeseriesanalysis.Eviewssoftwareisusedtoconductresearchandanalysis,andARIMAmodelisconstructedtopredictthetrendofChineserealestateprices,soastoprovidescientificdecision-makingreferenceforChinesegovernment,enterprisesandthepublic,soastopromotethehealthydevelopmentandstandardizedmanagementoftherealestateindustry.【KeyWords】ARIMAmodelsandforecasting；realestate目录TOC\o"1-3"\h\u第1章引言 11.1研究背景与研究意义 11.1.1研究背景 11.1.2研究目的及意义 21.2研究方法及思路 31.2.1研究方法 31.2.2研究思路 41.3文献综述 5第2章理论基础 62.1预测方法 62.1.1定性分析 62.1.2定量分析 62.2ARIMA模型 72.2.1ARIMA模型简介 72.2.2ARIMA模型的优缺点 72.2.3ARIMA模型运用流程 8第3章房地产行业发展现状 93.1房地产行业概况分析 93.2房地产行业发展的影响因素 93.2.1供需关系 93.2.2成本因素 103.2.3政策因素 10第4章模型构建 134.1数据预处理 134.1.1样本数据 134.1.2平稳性检验 144.2模型识别 164.3参数估计及显著性检验 164.4模型优化 26第5章序列预测 28第6章结论及建议 30参考文献 32致谢 33第1章引言1.1研究背景与研究意义1.1.1研究背景从1998年开始，中国开始实行住房体制改革，并在全国范围内正式确立了完全以市场为导向的房地产市场，从计划和分配的时代开始，房地产行业就长期积聚了很大的市场需求，这些需求在此时终于得到了极大的释放。我国房地产行业的起步时间虽然比较晚，但随着中国经济的飞速发展，以及城乡一体化快速迈进的步伐，中国房地产业进入了黄金时期，房地产开发和建筑都在逐年不断增加；房地产市场逐渐发展成熟并壮大，目前的房地产业已经发展成为一个包含了土地、建筑、交易和金融服务等的多链条、多部门的重要产业。在消费、投资和出口三个经济增长的主要驱动力中，投资和出口是中国经济发展的核心，而房地产则是投资中的中坚力量。在整个循环的过程中，出口对国内的实体经济发展起到了极大的促进作用，从而解决了就业问题，提高了居民的收入水平，也为国家带来了大量的外汇储备和税收收入，最后政府将这些收入转化为政府投资用于基础设施和民生建设。实体经济的发展、基础设施的建设和人民收入的增加，构成了对城镇化的需求，从而推动了房地产的飞速发展，又促进了经济的增长。随着社会的进步，我国经济发展进入小康阶段，自有住宅已经成为人们生活中的必需品。随着我国经济的发展，房屋建设的效率不断提高，人们购买自有住房变得越来越轻松，越来越方便，人们也更好的享受到了经济、社会发展带来的好处。中国如今大量的财富都涌向了房地产领域，引发了国民对住房的狂热，这势必会导致我国对高新技术产业的投资严重不足，进而削弱中国的国际竞争力，影响中国经济后续的稳定增长。但房地产业不能只为少数有钱的人服务，而必须要面向广大的普通人民群众，以高房价为特征的房地产泡沫对普通老百姓的住房需求产生了极大的压制，使得很大一部分的住房需求消失，这将给该我国房地产业未来的发展带来巨大的风险。如今，我国的房地产已经发展成为一种重要的投资产品，随着对未来房价预期的不断提高，大量的投资和投机需求涌入市场。这些过量的投资和投机致使房价出现了不合理的暴涨，这已经远远超过人们的预期，严重脱离了经济的增长速度，毋庸置疑，房价泡沫已经出现。房地产泡沫是指当房价超过了合理的水平，而这种情况主要是由于市场供求失衡、资金投机和政府政策等因素造成的，从而形成了一种虚高的房价和租金现象。房地产泡沫会导致很多问题，例如住房难度加大、财富分配不均、经济不稳定、金融风险增加等。全球各国都存在房地产泡沫的问题，其中一些国家曾经历过严重的房地产危机，给当地经济带来了极大的影响。在中国，房地产泡沫也是一个长期存在的问题，主要是由于大量资金流入房地产行业和政府放松房地产调控政策。近几年，随着我国市场经济的飞速发展，房地产行业也得到了迅猛的发展，当前房产泡沫的现象已经越来越严重了。房产泡沫最明显的表现之一就在于大量的空置。据一份关于中国各大城市房地产的调查报告显示，目前，在全国各大城市中，最被看好的仍然是一线城市，而50个潜在的房价泡沫城市则以二、三线城市居多。美国某网站发布了一篇文章，基于一份所谓“中国在大量建设现代金字塔”的研究报告，文章通过卫星图片将一些他们所认为的中国“鬼城”(空城)一一呈现出来。“鬼城”一词，用来形容一座城市中某些空置率过高、甚至被废弃的区域。这份报告称，整个城市都是空空荡荡、毫无人烟的，但政府大楼却建设得富丽堂皇，有些房产甚至建造在贫瘠的、完全不适合人生存的地方，就像是现代的金字塔一样。目前中国的“鬼城”究竟有多少，没有确切的数字，但是高楼林立却无人买的现象已经不是特例了，房地产业发展和建造的步伐已经开始放慢。在当前整个社会的货币流动性比较充足的情况下，一线城市具有较高的经济发展水平、较好的发展前景和较强的市场辐射能力，仍然具有强劲的市场需求。但也正是由于一线城市对房产强劲的市场需求，才会造成一线城市土地价格的大幅上涨，一线城市的购房负担又显著高于二三线城市，所以一线城市的市场份额难免会出现下滑的趋势。从国内房地产业发展的角度来看，房地产业仍然有较大的发展空间，仍然将是推动我国经济发展主要力量。由于受到来自一线城市各个层面的压力，以及政府政策对一线城市楼市的调控，中国今后的城市化进程将把重心向二三线城市及中小城市倾斜，而住宅市场的发展空间也将会随之发生变化。因此，曾经以北京、上海、深圳、广州等一线城市为主战场的中国房地产业，将逐渐向二、三线城市转移。新一轮的房地产调控政策，使得一线城市的土地供给更加受到限制，那些无法和少数央企争地的开发商也加快了向中小城市转移的脚步。除此之外，随着高速铁路和其他交通方式对交通格局的改变，中小城市的城市化进程随之加快，也为商品房价格的上升开辟了新的通道。与一线城市发展已经比较成熟稳定的市场相比，二、三线城市的房地产市场正处于一个快速的上升期。然而，目前人们所关注的焦点是房地产价格过高带来的一系列潜在的危险。高房价所引发的资产泡沫一旦破裂，将会对与之相关的房地产产业链产生冲击，从而对我国的经济发展和金融安全产生不利的影响；其次，住宅价格过高不利于房地产业的进一步发展，不能充分发挥其拉动经济增长的功能，过高的住宅价格会抑制市场的正常需求，也不能促进我国的城镇化进程；第三，高房价使人们将家庭的所有收入都交于房产市场，对拉动内需和促进消费都很不利。如果相应的调控政策能够及时、有力、有效的化解目前的房地产泡沫风险，促进其良性健康发展，就会实现平稳的过渡，顺利完成转型；而若放任房地产价格以当前的走势继续向前发展，未来必将会出现下跌和危机。中国政府已经通过规范房地产融资，加大土地供应，推动房地产税改革、严格限购等一系列措施来遏制房地产价格的不断攀升。此外，近年来政府也逐渐倾向于将房地产发展纳入“房住不炒”的大方向，但仍需要密切关注房地产市场走势，并继续加强监管。然而，要杜绝房地产泡沫的形成，还需要解决基本的结构性问题，如完善土地供应制度、推进房地产税制改革、鼓励房租市场发展等。只有通过持续的监管和改革，才能实现房地产市场健康稳定的发展。1.1.2研究目的及意义房地产研究旨在探讨中国房地产市场的发展现状、新趋势以及政策对房地产市场的影响等问题。这一研究领域与中国经济发展息息相关，关系到中长期国民经济和社会发展战略的制定和执行。在过去几十年时间里，中国房地产市场迅速崛起，成为支持中国经济增长的重要引擎之一，在我国经济稳步回升阶段毋庸置疑扮演着重要的角色。然而，在快速发展的同时，也面临着很多挑战，房地产泡沫就是引发2008年全球经济危机和金融危机的源头。随着行业发展越来越快，经过几年盲目的火爆之后，房地产市场泡沫不断扩大，房地产企业所面临的市场竞争愈演愈烈，同时我国的房地产行业作为高风险和政策导向型行业，这一问题也引起了国家和政府的注意，随着国家的宏观调控，以及政府出台的一系列房地产调控政策，房地产市场逐步恢复了理性。近几年来，受新冠疫情的冲击，各大公司的运营和发展更都变得更为困难，房地产业也因此陷入了空前的危机之中。房地产对于国民经济的健康而言是一把双刃剑,控制好房地产业的发展，对我国经济的健康发展至关重要。1.2研究方法及思路1.2.1研究方法本文旨在通过EVIEWS软件运用ARIMA模型的方法对我国房地产价格进行研究分析，探索当前我国房地产行业的发展现状，与此同时，基于《中国统计年鉴2022》中2005-2021年我国房地产行业的历史数据，构建ARIMA模型。根据所研究的时间序列的特点，将ARIMA模型分成自回归模型（AR）、移动平均模型（MA）和自回归平均移动（ARIMA）三种形式。ARIMA(p，d，q)模型是ARMA(p，q)模型的扩展。ARIMA(p，d，q)模型可以表示为：其中L是滞后算子（Lagoperator），d∈Z，d>0具体建模过程主要可以分为以下几个步骤：第一，对所研究的时间序列数据进行平稳性检验。当序列是平稳非白噪声序列时，则可以用ARMA模型直接对数据进行拟合；但当序列不平稳时，则需要先对数据进行差分后，再做平稳性检验，经过分析最后确定ARIMA模型中d的数值。第二，做平稳非白噪声序列的自相关和偏相关图初步判断p和q的阶数，并进行模型拟合，最后通过对比各模型AIC和BIC的数值，选取出最优的模型。第三，在此基础上，利用所建立的数学模型来计算模型中研究对象的滞后项系数。预测并分析了我国房地产行业的价格发展趋势，从而为制定和完善相关政策提供了依据，从而促进了房地产行业的健康发展和规范化管理。

1.3文献综述由于ARIMA模型在研究金融时间序列上的一些独有特点，使其成为了目前市场上价格预测最主要的方法之一。1970年代，美国统计学家Boxgep与英国统计学家Jenkins率先对ARIMA模型做了对价格预测的初步研究。在此基础上，国内也有不少学者开始对ARIMA模型进行价格预测的研究。如吴玉霞（2016）选取“华泰证券”250个交易日的股票收盘价作为样本,构建ARIMA模型预测了创业板股市股价变动的规律和趋势，进行实证分析。研究结果显示,本文所提出的模型在短期内具有良好的动态与静态预测效果，对投资者和公司的投资决策具有一定的参考价值。许立平和罗明志（2011）基于1973年到2010年伦敦现货黄金市场的月度价格数据为依据,构建ARIMA模型对2011年上半年黄金的价格走势进行了预测和分析。结果显示，在短期内，国际黄金价格仍将持续走高,从而为国家调整外汇储备结构和提高黄金储备水平提供了政策依据。杨颖梅（2015）以1998年1月至2013年5月的CPI月度数据为研究对象,采用Eviews软件构建了一个对样本内数据拟合效果较好、预测误差也较小的ARIMA模型,并将该模型应用于对北京市2013年6月至2013年12月的CPI指数的预测。黄文玲和郑晓颖（2018）以2012—2015年广东省生猪的平均价格作为分析和建模的依据,运用ARIMA时间序列的分析方法，对2016年广东省生猪的月平均价格进行预测,取得了较好的预测效果。基于此，也有部分学者将注意力放在了研究提高ARIMA模型的预测精确度方面，例如陈林（2010）就认为，在使用ARIMA模型进行期货价格预测过程中，为提高研究精确度，应在p值与q值确认方面采用枚举法确定最佳预测组合。由此可见，国内外学者对ARIMA模型方法应用已相对成熟且研究对象不断充实。综合现有研究可发现多数相关文献能够基于预测结果给出建议。但在具体的运用过程中需考虑的因素较多，如价格波动程度、时间序列本身特征等均会影响模型效果，因此如何选取合适的模型参数及对模型检验至关重要。本文依据《中国统计年鉴2022》中2005-2021年的房地产行业数据，结合我国目前的经济发展形势分析我国房地产行业的发展现状和存在的问题，运用EVIEWS软件对我国房地产价格数据进行ARIMA模型拟合，采用差分自回归移动平均来排除诸如人口、经济发展、国家政策等因素对房地产价格的影响，揭示房地产价格变化的规律性，并建立了一个具有较高客观性和实用性的预测模型。再通过一系列检验判断该数学模型的可行性和拟合效果，得出最优拟合模型，最后根据最优拟合模型预测房地产未来价格走势，为调节管理房地产市场政策的制定提供参考依据。第2章理论基础2.1预测方法房地产市场的预测，就是以房地产市场的历史数据和现实情况为基础，利用科学的方法和模型，对房地产市场的未来趋势和变化展开分析和估算，为房地产开发、投资、管理和政策制定提供参考依据。房地产市场的预测方法大体分为定性预测方法和定量预测方法两类。2.1.1定性分析定性预测方法是指以专家或者相关人员的经验、判断和意见为依据，对房地产市场展开主观分析和评估的方法。定性分析法的优势在于它能综合考虑多个因素，更适用于资料不足或资料不可靠的情况；但该方法具有很强的个体或群体主观性，很难保证其客观、准确。常用的定性预测方法有以下几种：经验判断法：它是一种基于一个人或者一个群体对于房地产市场所拥有的知识和经验而做出的判断和推断的一种方法。经验判断方法是一种简便、有效的方法，但是它也会受到主观因素、情感因素和惯性的影响。特尔菲法：它是一种通过咨询一群专业人士或相关人士，对房地产市场未来趋势的观点进行分析，然后再进行反复咨询、反馈和修正，最后得出一个比较一致且可靠的预测结果的方法。特尔菲法可以最大限度地发挥专家的智慧，但也要注意防止专家间的交互作用与权威性偏差。情景分析法：是指以房地产市场所面临的不同情况或假设为依据，构造出不同的发展情景，并对在这些情景下房地产市场可能发生的结果和概率进行分析的方法。情景分析法可以将各种不确定的因素纳入其中，从而增强了预测的灵活性与适应性，但在预测过程中也需要避免设置情景时过于主观和随意。2.1.2定量分析定量预测方法以数学模型统计数据为基础，对房地产市场进行客观分析和计算的方法。定量预测方法的优点是能够利用海量的资料，使预报更加科学；但是受数据质量和模型的假定条件因素的制约，很难反映房地产市场的复杂性和动态性。常用的定量预测方法有以下几种：时间序列分析法：是以房地产市场的历史数据为基础，对其变化规律和周期特征进行分析，并以此为基础，对未来趋势进行预测的一种方法。时间序列分析法是一种简单直观的方法，但也存在着对其他因素的忽视，不能很好地适应结构性变化的特点。回归分析法：是以房地产市场中各个变量之间存在着某种相关关系或函数关系为基础，并运用统计技术建立回归模型，通过估计模型的参数，来对预测房地产市场的未来变化进行预测的方法。用回归分析的方法可以更好地揭示出房地产市场的内在机制，但是也需要注意选取恰当合适的变量和模型，以避免出现多重共线性、异方差性、自相关性等问题。2.2ARIMA模型2.2.1ARIMA模型简介自回归积分滑动平均模型（AutoregressiveIntegratedMovingAverageModel）,简称ARIMA模型，是20世纪70年代初由博克思(Box)和詹金斯(Jenkins)提出的一种在时间序列上的预测方法，因此也称为box-jenkins模型、博克思-詹金斯法。其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归,p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。ARIMA模型是指一种将非平稳时间序列转化为平稳时间序列，再将因变量只对其滞后值以及随机误差项的现值和滞后值进行回归而建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同分为四种，分别是移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。ARIMA(p，d，q)模型是ARMA(p，q)模型的扩展。ARIMA模型的实质是将非平稳的历史时间序列Yt进行d次差分后得到新的平稳时间序列Xt，将Xt拟合成ARMA(p，q)模型，然后再将原d其中，ARMA(p，q)的一般表达式为:Xt=φ1当q=0时，ARMA(p，q)模型成为AR（p）模型:Xt=φ1Xt-1+…当p=0时，ARMA(p，q)模型成为MA（q）模型:Xt=εt-ARIMA模型不能直接反映其它相关随机变量的变化。ARIMA模型的基本思路是将预测对象随时间推移而形成的数据序列视为一个随机序列，并且这个随机序列可以通过自回归移动平均过程来生成，即该时间序列可以由它自身的过去值或滞后值和随机干扰项来解释。如果该时间序列是平稳的，即它的行为不会随着时间的推移而发生明显的变化，那么就可以通过该时间序列的过去值及现在值来预测未来值，这恰恰是随机时间序列分析模型的优势所在。2.2.2ARIMA模型的优缺点优点:模型十分简单，只需要内生变量而不需要借助其他外生变量。缺点:1.要求时序数据是稳定的(stationary)，或者是通过差分化(differencing)后是稳定的。2.本质上只能捕捉线性关系，而不能捕捉非线性关系。采用ARIMA模型预测时序数据，必须是稳定的，如果不稳定的数据，是无法捕捉到规律的。2.2.3ARIMA模型运用流程(1）平稳性检验根据时间序列的散点图、自相关系数和偏自相关系数、单位根检验(ADF)，来判断数据的平稳性；(2）平稳化处理对非平稳的时间序列数据进行差分处理，得到差分阶数d；白噪声检测为了验证序列中有用的信息是否已被提取完毕，如果为白噪声序列，说明序列中有用的信息已经被提取完毕，可以采用LB统计量的方法进行白噪声检验；模型识别和定阶根据所识别出来的特征建立相应的时间序列模型。平稳化处理后，若偏自相关函数是截尾的，而自相关函数是拖尾的，则建立AR模型；若偏自相关函数是拖尾的，而自相关函数是截尾的，则建立MA模型；若偏自相关函数和自相关函数均是拖尾的，则序列适合ARIMA模型。可以采用BIC准则对模型进行定阶，确定p，q参数，从而选择最优模型；模型检验检验已确定的模型其残差序列是否为白噪声，如果不是白噪声，说明残差中还存在有用的信息，需要修改模型或者进一步提取；模型预测应用已通过检验的模型进行预测。第3章房地产行业发展现状3.1房地产行业概况分析房地产行业对国家经济和社会发展具有重要意义，它直接关系到居民的基本住房问题，也是投资和消费的重要领域之一。同时，房地产行业还与相关产业密切配合和联动，如钢铁、水泥、木材、玻璃等原始材料制造业、建材、家具、家电等下游产业，以及银行、保险、税收等服务产业都与房地产行业息息相关。随着我国城市化进程的推进，居民的住房需求日益递增。中国房地产业一直属于刚需行业，根据国家统计局的数据，截至2022年底，全国房地产业增加值约为8.7万亿元人民币，比上年增长8.7%。这表明中国房地产市场规模不断扩大，并呈现出稳定增长的态势。住房和城乡建设部部长王蒙徽也表示，住房和城乡发展是最大的国内需求和最大的国内消费市场。它们是保持稳定增长、扩大国内需求、建设强大的国内市场的重要领域。“我们国家现在仍然处于城市化发展的快速发展时期，城镇化率达到了63.9%，每年新增城镇就业的人口也超过1100万，再加上家庭的小型化，这些都为住房的刚需，带来了很大的市场。”因此，地产行业的发展前景仍然是明朗的，加强对相关地产市场的完善，才能有效促进房地产市场的健康发展，进一步提高人们的生活质量。目前，中国房地产行业保持着相对稳定的发展态势。随着政府加强宏观调控和监管，楼市炒作逐渐降温，一些城市房价得到了一定程度的回调。同时，房地产市场也在积极转型升级，推动行业走向更加健康稳定的发展道路。受各种不利因素的影响和制约，我国的房地产市场在发展过程中也仍然存在诸多问题。据统计，2022年全国城镇住宅销售面积同比下降了5.5%，但房价依然保持着相对较高的水平。这表明房地产市场的供需结构持续失衡且尚未得到有效改善，同时，越来越多炒房团的出现也让房产的价格逐渐失控。2021年4月，国家发改委、住建部等部门联合发布了《关于进一步促进房地产市场平稳健康发展的通知》，提出继续坚持“房子是用来住的，不是用来炒的”定位，确保房地产市场平稳运行，加强土地供应管理，控制一些房企过度冲高的投资行为，支持有实力的企业稳定发展，并提出了促进长租住房市场建设等一系列措施。除此之外，近些年来各地方政府也陆续发布了不少鼓励人们居住的政策，如利率优惠、税收减免、优惠贷款、补贴等都有所涉及。这些举措整体上有利于稳定市场需求和居民购房积极性，也有助于房地产市场的健康发展。3.2房地产行业发展的影响因素3.2.1供需关系房地产市场的供需关系是指房屋供应量和购买需求量之间的比较。在市场供给充足的情况下，购买者可以获得更多房屋选择，并具有较高的议价能力；而当市场供给不足时，房价将上涨，购买者则可能会面临更大的经济压力。需求方面，房地产市场的主要购买者是居民，包括自住和投资两种目的。自住购买者通常希望购买舒适、安全和其他满足生活需要的条件良好的房屋；而投资者更看重房产的增值潜力和收益。供给方面，市场供给由房地产开发商和业主提供。房地产开发商负责土地购置、规划设计、开发施工、销售等一系列环节，而业主通常是出于个人需求或变现考虑而将自己的房产进行出售或租赁。房地产市场的供需关系是动态的，随着各种因素的影响而产生变化。政府调控政策、经济形势、人口流动以及人们对居住环境、投资价值等不同的认知和需求都会对房地产市场供需关系产生影响。3.2.2成本因素房地产成本因素主要包括土地成本、建筑材料成本、施工成本和人工成本四个方面。首先是土地成本，土地是开发商进行房屋建设的最基本资源，通常需要购买或租赁政府指定区域内的土地。土地成本因地理位置、用途范围等因素而异，一般会对房屋售价造成较大的影响。其次是建筑材料成本，包括水泥、钢筋、砖块等各类建筑材料的采购及运输成本。这些建筑材料的价格亦受外部供求、税费和环保等政策影响。再者是施工成本，建设者需要采集旋挖机、塔吊等工程机械，使用相关行业资质并需要支付工程管理人员的薪资和其他职工的劳务费用，以完成建筑的施工作业。最后是人工成本，即建设过程中雇佣的从事设计、采购、施工、物业管理等各类专业职工的薪资和福利待遇等。此方案对企业而言相当重要，劳力数量与单位时间内的产能直接相关。这四个方面的成本因素共同影响着房地产开发商和业主的利润率。如果这些成本增加，那么利润率就会下降，反之利润率则会提高。同时，这些成本因素也影响到房屋的售价和租金，最终影响所有买家、租户的消费水平。房地产企业想要获得利润，房价必须要高于成本。推高房价的不仅仅是供需。随着地方政府债务的增加，很多地方政府不得不通过卖地来增加财政收入，地价的增加导致房地产的成本增加，也一定程度上推高了房价。3.2.3政策因素房地产政策因素是指政府在经济、社会和环境等方面制定的一系列与房地产市场相关的政策措施。这些政策的目的包括促进房地产市场健康发展、保障人民住房权利、调节市场供需关系、规范行业秩序等等。其中比较重要的几种房地产政策因素包括：土地政策：土地是房地产开发的基础，政府通过土地出让、供应、管理等多种方式来影响房地产市场供给。政府可以适时增加土地供应量以确保房价不过高；可以鼓励土地流转以提高土地使用效率；也可以制定土地绿化保护政策等控制建设用地过度消耗的办法。财税政策：财税政策主要包括改革税制、降低税率及减免房屋相关的税费等形式。对于购房者而言，政策可以采取合同税费的减免，如个人首套购房可享受小额税费减免；对于房地产开发商而言，政策可以通过优惠减免房地产开发相关税费，来支持行业的健康发展。货币政策：货币政策是金融政策重要组成部分，它的主要目的在于通过利率、存款准备金率、贷款配额、外汇储备等手段调控货币供应和金融市场流动性，进而影响房地产市场。政府可以通过货币政策来控制资金价格，鼓励合理金融消费、裁缩投机，从而防范房地产泡沫。此外，还有住房保障政策、房屋租赁政策等方面，都对房地产市场的稳定发展具有较大的作用。政府的干预对经济发展起着重要作用，房地产作为商品经济的重要组成部分，政府政策对房地产的影响至关重要。总之，政府多方位考虑，全力以赴采取各种政策手段，为促进房地产市场稳定健康发展提供了坚实基础。第4章模型构建4.1数据预处理4.1.1样本数据近年，房价一直是人们关注的热点问题，房价的一路高涨令消费者感到担忧。选取《中国统计年鉴2022》中2005-2021年我国商品房的平均销售价格数据进行分析，可以看到，中国房地产价格近些年除了在2008年波动稍微下降过一点，总体上一直是递增的。虽然房价受到很多方面的影响，例如供需和政策等因素，但是通过观察整体数据我们可以猜测，不同房价之间也应该存在某种规律性和相互关联。过去的行为也必定会对未来的结果产生一定的影响。故可以试构建ARIMA模型对未来的房价趋势进行预测，具体数据见下表。利用Eviews软件画出我国商品房平均售价的时序图，如图1所示。时序图显示从2005年开始我国商品房平均销售价格有明显的递增趋势，2008年出现小幅波动后房价呈直线式递增，故猜测序列是非平稳序列。若想要进一步精确判断序列的平稳性，仍需对数据进行单次根检验，即ADF检验。单次根检验有三个类型，每个类型的检验结果都表明不能拒绝该序列非平稳的原假设，即存在单位根，该序列才是非平稳序列。单次根检验结果如下表4-2、4-3、4-4所示。可以看出三个类型的单次根检验结果的T统计量的概率P值均大于0.05，故都不能拒绝该原始序列为非平稳序列的原假设。综上，原始序列{PRICE}为非平稳的时间序列。为消除趋势同时减小序列的波动性，则需要对原始时间序列{PRICE}进行平稳化处理，即对该时间序列{PRICE}进行差分处理。因此，通过对原始数据{PRICE}取对数即seriesY=log(PRICE)，然后再进行差分即seriesdx=d(Y)以消除线性趋势的方法来达到原始数据的平稳化。对原始序列取对数的处理，也在一定程度上消除了原始数据的异方差性，因而是合理有效的。做一阶差分的单次根检验，结果如下表4-5。由上表4-5可以看出一阶残差序列的检验统计量的概率P值为0.0002，小于置信水平0.05，则拒绝该序列为非平稳序列的原假设，故商品房均价的一阶差分序列为平稳序列，可以进行预测模型的构建。4.2模型识别一个平稳的时间序列，要建立其预测模型，首先需要对其模型进行识别，才能确定其适合哪种预测模型。因此，利用Eviews软件对一阶差分序列做相关性检验，做序列的自相关图，检验该序列的纯随机性，如下图4-1所示：由上图4-1可以看出，自相关系数在2倍标准差范围内波动，且自相关系数衰减没有明显的规律性，这是自相关系数拖尾的典型特征。然后考察偏自相关系数，可以看出偏自相关系数也在2倍标准差范围内随机波动，且衰减没有明显的规律性，故偏自相关系数也是拖尾的。根据自相关系数、偏自相关系数都是拖尾的属性，我们可以初步确定拟合一阶差分序列的模型为ARMA模型。4.3参数估计及显著性检验建立我国商品房平均售价原始数据的一阶差分序列dx，并对一阶差分序列dx进行模型检验。尝试使用ARMA（1,1）模型拟合该序列,结果如下表4-6。对系数进行显著性检验，由表4-6可得，在0.05的显著水平下，AR（1）和MA（1）对应的概率P值均大于0.05，不能拒绝系数为0的原假设，故AR（1）和MA（1）不能通过显著性检验，系数显著为0。去掉常数项c再进行显著性检验，结果如下表4-7。可以看到在0.05的显著水平下，AR（1）和MA（1）对应的概率P值均小于0.05，拒绝系数为0的原假设，故AR（1）和MA（1）通过显著性检验，系数不显著为0，可拟合模型为X（4-1）若确保模型成立，还需再对模型整体进行检验，检验残差是否为白噪声序列，对残差做白噪声检验，画自相关和偏自相关图（图4-2）。由上图可以看出，概率P值基本上大于0.05，不能拒绝原假设，故残差是白噪声序列，模型X（4-1）成立。现试对ARMA（1,2）模型进行检验对系数进行显著性检验，在0.05的显著水平下，由表4-8可得，AR（1）、MA（1）和MA（2）对应的概率P值均大于0.05，不能拒绝系数为0的原假设，故AR（1）、MA（1）和MA（2）均不能通过显著性检验，不能说明系数显著不为0。去掉常数项c后再进行显著性检验，结果如下表4-9所示。由表4-9可得，AR（1）、MA（1）、MA（2）对应的概率P值均小于0.05，拒绝系数为0的原假设，AR（1）、MA（1）和MA（2）的系数均显著不为0，故可以拟合模型为X(4-2)为检验该模型是否成立，需要对模型整体进行显著性检验，即对残差进行白噪声检验。下图4-3为上述式（4-2）拟合模型的一阶差分序列残差的自相关图。由图4-3可以看出残差数列的概率P值均大于0.05，不能拒绝残差是白噪声的原假设，故残差是白噪声序列，模型通过显著性检验，故模型X(4-2)成立。试对ARMA（2,1）模型进行检验对系数进行显著性检验，在0.05的显著水平下，由表4-10可得，常数项c、AR（1）和MA（1）对应的概率P值均小于0.05，拒绝系数为0的原假设，故常数项c、AR（1）和MA（1）通过显著性检验，系数显著不为0；但AR（2）对应的概率P值大于0.05，不能拒绝系数为0的原假设，不能说明AR（2）的系数显著不为0。去掉常数项c后再进行显著性检验，结果如下表4-11所示。在0.05的置信水平下，AR（2）和MA（1）对应的概率P值均小于0.05，拒绝系数为0的原假设，但AR（1）对应的概率P值大于0.05，不能通过显著性检验。表4-11ARMA(2,1)系数的显著性检验2再试去掉AR（1）进行显著性检验,结果如下表4-12所示。表4-12ARMA(2,1)系数的显著性检验3可以看出AR（2）和MA（1）对应的概率P值均小于0.05，故通过显著性检验，AR（2）和MA（1）的系数不显著为0。故可以拟合模型为X（4-3）若证实模型成立，还需对模型整体进行显著性检验，检验结果如下图4-4。可以看出残差数列的概率P值均大于0.05，不能拒绝残差是白噪声序列，故模型X（4-3）成立。图4-4一阶差分序列残差的自相关图3对ARMA（2,2）模型进行检验表4-13ARMA(2,2)系数的显著性检验1续表4-13ARMA(2,2)系数的显著性检验1由上表4-13以看出AR（1）、AR（2）和MA（1）均大于0.05，故AR（1）、AR（2）和MA（1）的系数显著为0。去掉常数项c后，再进行模型检验，结果如下表4-14所示。由上表可知，AR（1）、MA（1）和MA（2）的系数仍显著为0。因为去带掉AR（2）或MA（2）会变成之前的模型，故尝试去掉AR(1)和MA（1）进行模型检验，得到结果如下表4-15所示。由上表4-15可以看出，AR（2）和MA（2）对应的概率P值均小于0.05，故拒绝系数为0的原假设，通过显著性检验，故AR（2）和MA（2）系数显著不为0。故可以拟合模型为X（4-4）证实模型合理性与可行性，对残差进行白噪声检验，由下图4-5可以看出残差数列的概率P值均大于0.05，不能拒绝残差是白噪声的原假设，残差是白噪声序列，模型通过显著性检验，故模型X（4-4）成立。图4-5一阶差分序列残差的自相关图44.4模型优化综上所述，通过模型整体显著性检验的模型有四个，再根据上述图中AIC和SBC的值进行模型优化，建立表格如下。由上表可以看出ARMA（2,2）模型的AIC和SBC值都是最小的，故选择ARMA（2,2）模型，可以拟合出该序列