MBA論文代寫|MPA論文代寫|工程碩士論文|經濟管理論文|國際貿易論文代寫|醫學護理論文|文學論文|項目管理論文|建筑工程論文|教育教學論文|農業推廣論文|法學論文代寫|體育論文|工商管理論文|公共管理論文|藝術論文|會計論文|環境論文|計算機論文代寫|財務管理論文|物流管理論文|新聞傳播論文|應用文類市場營銷論文|人力資源論文代寫|心理學論文|化工論文|機械論文代寫|石油工程論文代寫|水利工程|哲學論文|英語論文|電氣工程論文|對外漢語論文|金融學論文思政論文|通信工程論文代寫

天天論文代寫網可提供代寫畢業論文,代寫職稱論文,代寫碩士論文,代寫代發表等服務

在線客服

于老師 點擊這里給我發送消息 177872916
電 話:13838208225
王老師 點擊這里給我發送消息 177872915
電 話:13503820014
當前位置:首頁 > 論文資源 > 建筑工程論文代寫
建筑工程論文代寫
基于深度學習城市住宅地價影響因素識別與量化
作者:黃耀森 日期:2018/8/20 15:07:08 點擊:

摘要

近年來隨著國家經濟的迅速發展,城市中的土地交易越來越頻繁,同時也產生了諸如土地投機、價格上漲過快等問題。土地市場的規范、土地價格的限制、房地產業的把控是國家未來需要解決的重大問題。而住宅作為人民生活中的必需品,與其直接相關的城市住宅土地價格就成了土地問題研究的重中之重。而由于其重要性,住宅土地價格也受到諸多復雜因素的影響,對住宅土地價格的研究,實質上就是對復雜的住宅地價影響因素的研究。

在目前的研究中,現有的Hedonic模型、BP神經網絡(back propagation neural network, BPNN)等研究方法和模型雖然都有各自的優點,但在對于城市地價這一復雜對象的研究上均存在一定的缺陷和不足。因此,本文收集成都市2010年的城市地價因素數據以及成都市2010年至2017年的住宅土地交易數據,進行必要的處理后,使用深度信念網絡DBN(deep belief nets, DBN)對成都市進行基于地價因素的住宅地價評估實驗,并與傳統地價評估模型進行對比,驗證深度學習技術在城市地價因素識別與量化上的可行性與存在的優勢。

本文主要研究方法如下:

(1) 使用ArcGIS?、Excel?等軟件將收集到的數據進行空間分析、數據修正、 格式調整與轉換、數據標準化等處理,制作2010年的成都市地價影響因素特征樣 本和住宅土地交易價格樣本。

(2) 利用SPSS?的相關性分析功能,分析各個地價因素和土地交易價格的相 關程度,以分析結果為依據,確定成都市地價影響因素指標。在此基礎上,建立 基于地價影響因素的Hedonic模型、BP神經網絡和DBN模型。

(3) 為驗證結合相關分析和DBN模型在住宅地價因素識別與量化問題上的 有效性,使用同一樣本數據分別對基于相關分析的DBN模型、無相關分析的DBN 模型、Hedonic模型和BP神經網絡進行基于地價因素的地價評估實驗并對結果進 行對比分析。

通過對比和分析DBN模型與傳統模型的實驗結果以及DBN模型自身在實驗 數據或參數不同時的實驗結果,得到以下結論:

(1) 在對整個成都市的地價因素和住宅地價柵格值進行識別與分類時,經過 相關分析的DBN模型平均準確率為84%,Hedonic模型的平均正確率為43.3%, BP神經網絡的平均準確率為69.1%。這表明在基于地價影響因素的地價評估實驗 中,DBN模型在模型精度上優于傳統地價評估模型。

(2) 當地價因素數據計算鄰域范圍分別為一萬米或五千米時,DBN模型的地 價評估精度較高。同時證明了 DBN模型在輸入數據尺度改變時,有一定的適應能 力。

(3) 經過相關分析的DBN模型在訓練中比未經過相關分析的DBN模型收斂 更快。并且經過相關分析的DBN模型平均準確率為84%,比未經過相關分析的 DBN模型的平均準確率高出11.8%。證明相關分析能夠起到提高模型訓練效率和 模型整體精度的作用。

關鍵詞:土地價格,地價影響因素,深度學習,深度信念網絡,相關性分析,建筑工程論文代寫

基于深度學習城市住宅地價影響因素識別與量化

ABSTRACT

With the rapid economic development nationwide in recent years, land transactions in cities have become more and more frequent. At the same time, problems such as land speculation and excessive price increases have also arisen. As an important national asset, land has special importance in the social economy. Therefore, the norms of the land market, the restrictions on land prices, and the control of the real estate industry are major issues that the country needs to address in the future. As a necessity of the people's life, residence has become a top priority in the research of land issues. Due to its importance, the price of residential land is affected by many complex factors. The research of residential land prices is essentially a research of the factors affecting residential land prices.

In the present study, although the Hedonic models, Back propagation neural networks and other research methods all have their own advantages, there are certain defects in the face of the complex issue of land prices. Therefore, this paper collected the infrastructure data of Chengdu in 2010 and the residential land transaction data from 2010 to 2017. Based on deep learning techniques, the following methods are used to study the influencing factors of urban residential land prices:

2.1 Use ArcGIS?, Excel? and other software to perform spatial analysis, data correction, format adjustment and conversion, and data normalization processing on the data. The data on the characteristics of land prices in Chengdu and the price data of residential land transactions were produced.

2.2 the correlation analysis function of SPSS? is used to analyze the correlation between the land price factors and the land transaction price. Based on the analysis results, the index of the factors affecting the land price of Chengdu is determined. On this basis, Hedonic model, Back propagation neural network and Deep Belief Nets model based on land price influence factors are established.

2.3 In order to verify the effectiveness of the combination of correlation analysis and deep belief network in the recognition and quantification of residential land price factors, the same data are used to test the deep trust network based on the correlation analysis, the uncorrelated analysis network, Hedonic price model and the Back propagation neural network, and the experimental results are compared and analyzed.

By comparing and analyzing the experimental results of the Deep Belief Nets and the traditional model, and the experimental results of the Deep Belief Nets in different parameters or experimental data, the following conclusions are obtained:

2.4.2 When recognizing and classifying Chengdu^ land price factors and residential land price grid values, the average accuracy of the Deep Belief Nets is 84%, the average accuracy of the price regression model is 43.3%, and the average accuracy of the Back propagation neural network is 69.1%. This shows that in the land price evaluation experiment based on the land price influence factors, the Deep Belief Nets has great advantage over the traditional model in the accuracy of the model.

2.4.3 When the land price factor data are calculated as neighborhood ten thousand metres or five thousand metres, the Deep Belief Nets has high accuracy in land valuation. At the same time, it is proved that the Deep Belief Nets has some adaptability when the input data scale changes.

2.4.4 Through correlation analysis, the Deep Belief Nets converges faster in training than the Deep Belief Nets without correlation analysis. The average accuracy of Deep Belief Nets is 84%, which is 11.8% higher than that of Deep Belief Nets without correlation analysis. It is proved that correlation analysis can improve the training efficiency and accuracy of model.

Keywords: Land price, Influence factor of land price, Deep learning, Deep Belief Networks, Correlation analysis

目錄

第一章緒論 1

1.1研究背景及意義 1

1丄1研究背景 1

1.1.2研究意義 1

1.2國內外研究現狀 2

1.2.1國內研究現狀 2

1.2.2國外研究現狀 3

1.3研究內容 4

1.4研究方法與技術路線 5

1.4.1研究方法 5

1.4.2技術路線 5

1.5本文組織結構 7

第二章相關模型與理論 9

(1) Hedonic 模型 9

2丄1 Hedonic模型簡介 9

(1) Hedonic模型在住宅地價評估中的應用 9

(1) BP神經網絡 10

2.3深度學習 11

2.3.1深度學習簡介 11

2.3.2深度學習模型 12

2.3.3深度學習的特點 13

2.4深度信念網絡DBN 13

2.4.1受限玻爾茲曼機RBM 13

2.4.1.1受限玻爾茲曼機基本模型 13

2.4.1.2受限玻爾茲曼機的求解 15

2.4.1.3受限玻爾茲曼機訓練方法 17

(1) DBN模型的結構 19

(2) DBN模型的訓練 20

2.5 Softmax 分類器 20

2.6相關分析 21 

2.7本章小結 22

第三章實驗數據處理與地價因素篩選 23

3.1研究區域概況 23

3.1.1城市發展狀況 23

3.1.2成都市土地市場概況 24

3.2數據來源與整理 26

3.3地價數據修正與插值生成 26

3.3.1地價數據修正 27

3.3.2地價數據插值生成 27

3.3.2.1數據正態性 27

3.3.2.2數據最近鄰域分析 28

3.3.2.3數據空間相關性 30

3.3.2.4地價數據插值生成 31

3.4地價因素選取與數據處理 32

3.4.1地價因素選取原則 32

3.4.2地價因素選取與說明 33

3.4.3地價因素數據處理 36

3.4.3.1地價因素量化 36

3.4.3.2數據標準化 42

3.5相關性分析篩選地價因素 42

3.6本章小結 45

第四章基于地價影響因素的地價評估DBN模型研究與實驗 46

4.1 土地價格分類 46

4.2建模及實驗數據 46

4.3基于地價影響因素的地價評估傳統模型 48

4.3.1基于地價影響因素的Hedonic模型 48

4.3.1.1多元線性回歸的條件 48

4.3.1.2 Hedonic模型建立與檢驗 49

4.3.2基于地價影響因素的BP神經網絡 51

4.4基于地價影響因素的DBN模型 53

4.4.1深度神經網絡參數 53

4.4.1.1網絡層數 53

4.4.1.2隱藏層節點個數 54

4.4丄3初始參數 54

4.4.1.4激活函數及優化 55

4.4.2建立DBN模型 56

4.4.2.1經過相關分析的DBN模型建立 56

4.4.2.2無相關分析的DBN模型建立 58

4.5基于地價影響因素的地價評估實驗 60

Hedonic模型地價評估實驗 60

BP神經網絡地價評估實驗 62

DBN模型地價評估實驗 63

4.5.3.1經過相關分析的DBN模型地價評估實驗 63

4.5.3.2無相關分析的DBN模型地價評估實驗 66

4.6地價評估實驗結果對比與分析 67

4.7本章小結 72

第五章總結與展望 73

5.1論文總結 73

5.2創新點與不足 73

5.3前景展望 74

攻讀碩士學位期間取得的成果 80

第一章緒論

1.1研究背景及意義 

1.1.1研究背景

城市土地是人類進行社會生產的基礎,是每一個國家賴以發展的重要資源。 因此城市土地除了本身所具有的自然性質之外,還具有極為特殊的經濟意義和社 會意義。作為社會生產的重要因素,城市土地的相關問題始終是環境與國土資源 研究中的重要部分。隨著改革開放以來我國經濟的迅速發展與土地市場的急劇變 化,城市土地價格問題,特別是與經濟發展、社會民生息息相關的城市住宅土地 價格問題逐漸成為了城市土地研究中的重點。

研究住宅土地價格的關鍵之處在于對其影響因素的研究。影響住宅土地價格 的因素有很多,住宅土地本身的自然性質和建設限制、周邊的自然環境、所在區 域的基礎設施條件乃至土地的供求關系等都會對土地的交易價格產生或大或小的 影響。

目前在對城市地價差異影響因素的甄別上主要有兩種方法,一種是利用主成 份分析法或者基于回歸方法的各種價格特征模型(如Hedonic模型)來對土地價格 的影響因素進行量化分析和計算,將土地價格與各類影響因素之間的關系表達出 來[1]。另一種方法則是根據主觀經驗和基于地租理論的方法,分析影響土地價格的 自然、經濟、人為等要素,將土地劃分為不同的優劣區域,然后再對不同等級的 區域確定不同的土地價格[2]。

目前,對城市地價因素進行量化評估的具體方法按照模型分類有時間序列模 型,因果模型、基于馬爾科夫鏈的模型[3]以及神經網絡[4]等。

但是,由于土地價格在時間與空間上同時具有其獨特的分布特征,并且除自 身因素外,還受到自然、社會、環境以及人為干預等各種復雜外部因素的影響。 在要素過多的情況下對地價影響因素進行量化評估時,傳統研究方法的缺陷就會 凸顯出來。因此,本文提出以深度學習網絡技術作為城市住宅地價影響因素研究 的一種解決思路。

1.1.2研究意義

土地作為一種不可再生的重要生產資源,其交易價格有著與普通商品不同的 特殊性和敏感性。土地價格的變化在受到各種政治、社會、經濟因素制約的同時, 也在一定程度上反映了當地的城市發展狀況。城市土地價格的研宄對于城市發展規劃、社會經濟發展和民生狀況等問題的發現與解決具有重要的參考作用。

深度學習是最近幾年興起的一門領域,屬于機器學習的一部分,主要研究的 是具有多隱層的人工神經網絡模型的建立、性能優化以及在各種領域中的實際應 用與推廣。深度學習最大的優勢在于可以很好地模擬人腦判斷的過程,在面對復 雜、模糊的智能類問題時比起其他模型有更好的表現。借助深度學習技術,在面 對關系復雜且多變的地價影響因素的研究時,我們會有新的發現和成果。隨著深 度學習技術的興起和成熟,如果能將其推廣到我國土地價格的相關研究中,對國 內各部門單位、社會機構或企業的土地管理、政策制定、投資決策等都具有重要 意義。

1.2國內外研究現狀

1.2. 1國內研究現狀

國內在90年代前后有胡援成等提出了對于城市地價模型的初步探討,通過對 國外溫特地價模型、梅爾模型等地價模型的考察,初步探討并提出了基于土地收 益確定法的簡單地價模型[5]。但在早期階段,國內關于地價影響因素的研究工作較 少,大多研究處于探討摸索階段,在對地價影響因素的識別上偏向于主觀經驗和 地價基本理論,談論范圍較窄,缺少實用意義。經過十幾年的發展,國內學術界 目前在地價影響因素識別和量化評估兩方面的主要研究方法或具體模型如下:

在地價影響因素識別方面,主要研究方法主要有以下兩種。

主觀經驗法和基于地租理論的方法

彭俊、陳方正等基于地租理論,分析城市地租與地價的形成機制,建立了兩 者之間的關系模型[6]。董瑪力、朱道林等從宏觀經濟的角度分析了城市地價與經濟 發展水平之間的聯系[7]。唐焱以江蘇省為例,通過實證研究將城市地價影響因素分 為外部因素與核心因素兩種[8]。

主成分分析與回歸分析

周建明使用因子分析法對城市地價的構成因子進行了定量分析,得出城市地 價主要由城市規模、用地需求、開放程度及用地供給4個主因子構成[9]。劉幼慈等 通過分析城市地區差異提取了城市土地價格的主要影響因素,并利用逐步回歸分 析法建立了城市地價影響因素模型。同時對我國未來的地價分布和趨勢進行了預 測[10]。

在地價定量評價方面,主要研究方法主要有以下幾種。

時間序列模型

趨勢外推模型是一種簡單的時間序列模型。田永中、邱道持等以1996-1999 年重慶市的地價指數為基礎,結合定性分析,使用該模型對重慶市未來三年的地 價指數進行了預測[11]。

因果關系模型

因果關系模型是一種用于定量預測的模型,通過一個或者多個自變量來表現 因變量的變化,主要用于研究不同變量間的相關關系。葉貴等使用因果關系模型 建立了城市地價水平與土地供求、行政政策等宏觀因素的相關模型,并使用該模 型對地價進行了預測[12]。

馬爾可夫鏈模型

馬爾可夫預測法基于馬爾可夫鏈,能夠根據事件的目前狀況預測其將來可能 發生的變動,是一種預測事件發生概率的模型。吳斌基于衡陽市蒸湘區2008年至 2009年的基準地價數據,將馬爾柯夫模型與灰色系統結合,對衡陽市蒸湘區基準 地價的趨勢進行了預測分析。同時驗證了灰色馬爾可夫模型在短時間基準地價預 測中的適用性[13]。

神經網絡模型

吳迪軍利用某市城區土地定級估價成果,基于經驗知識與人工神經網絡技術 建立了城市地價綜合評估模型,驗證了神經網絡模型在土地價格評估中的實際應 用價值[14]。高平等根據唐山市2008年至2013年的土地價格和GDP(gross domestic product, GDP)數據構建了 BP神經網絡模型,并對唐山市2014年的土地價格做了 預測[15]。

1.2.2國外研究現狀

國外學者在城市土地價格方面的研究比國內起步更早,同時由于國外土地市 場在信息化管理方面更成熟,土地市場交易中的各種相關信息記載更早且更完善, 土地價格研究中需要用到的各種交易數據、城市相關信息比較容易獲取,對于土 地價格及其影響因素的研究更加全面和深入。

早在80年代,已經有美國的Reynolds等對佛羅里達州土地價格的影響因素做 了調查和研究[16]。同一時期,許多外國學者也建立了比較成熟的土地價格特征模 型。XiaoluGao和YashusiAsami通過建立特征價格模型,對地價影響因素在地 價變化中起到的作用進行了探索[17]。

另外,在90年代,也有一些外國學者對中國住宅地價做過研究分析。Ting等 就基于供求因素對香港地區的土地價格的影響做了討論和實驗[18]。

Fotheringham等于2004年提出的地理加權回歸模型GWR (geographi cally weighted regression, GWR)為土地價格研究提供了新的方法。它能夠幫助解決研

究區域內各個地價影響因素之間存在的齊次的假設缺陷[19]。

隨著神經網絡的興起,國外的Yingyu Feng,Kelvyn Jones等利用布里斯托爾 地區的人口統計數據、地政局二級土地數據等基于多層建模和神經網絡分別進行 了對該地區住宅價格的預測實驗,并根據預測結果驗證了神經網絡在預測地價方 面的精度優勢[2()]。

RezaGhodsi等基于伊朗多年的石油收入、非正式市場率、住宅服務價格指數 等影響因子,將模糊回歸與神經網絡在對伊朗住宅價格上的表現相比較、得出神 經網絡模型的平均絕對百分比誤差對比模糊回歸模型存在優勢的結論,驗證了神 經網絡模型在識別城市住宅地價因子和地價預測上的優越性[21]。Wan Teng Lim等 通過對比人工神經網絡和綜合自回歸移動平均模型在新加坡公寓價格預測上的表 現,說明了人工神經網絡在平均平方誤差比起其他模型更低的情況,驗證了人工 神經網絡的優勢[22]。

總的來說,國外學者土地價格相關研究上比起國內要早得多,我國近些年來 大多關于土地價格方面的研究都是在國外研究的基礎上,結合研究區域特點進行 影響因子的細化或者模型設計上的改進。國外學者關于地價及其影響因素的研究 一般更加深入,并且數據更加全面。同時對于地價因素的選擇和量化理論及方法 也更加成熟和科學。相比之下,國內在該領域的研究尚未成熟,還有許多能夠擴 展的研究范圍和技術。

1.3研究內容

本文針對成都市城市住宅地價影響因素數量繁多,錯綜復雜,傳統地價模型 難以精確量化影響因子等特性,收集成都市歷年與住宅地價可能有關的各種時空、 統計數據,梳理并確定影響住宅地價的主要因素。同時通過建立深度網絡模型揭 示地價因素數據與住宅地價之間的關系,實現成都市住宅地價影響因子的識別與量化。

本文的主要研究內容有以下三個方面:

實現相關性分析。

因為量化住宅地價需要考慮復雜的地價影響因子,因此利用相關性分析法將 影響因素化為幾項主要指標,減少研究問題的復雜度。

實現基于地價因素的傳統地價評估模型。

基于成都市地價因素數據和住宅地價數據,建立Hedonic模型和BP神經網絡 兩種傳統的地價評估模型作為DBN模型的對比。

實現基于地價因素深度神經網絡模型。

采用以玻爾茲曼機為基礎的DBN深度網絡,分析設計網絡隱含層數量、神經 元節點、激活函數、偏置值等網絡參數。最后以地價因素數據為基礎建立DBN深 度網絡模型。

深度網絡模型測試和評價。

基于成都市地價因素數據,對不同條件下DBN模型和傳統模型進行地價評估 實驗,根據實驗結果對建立的DBN模型進行評價。

1.4研究方法與技術路線

1研究方法

GIS(Geographic Information System, GIS)處理技術。利用 ARCGIS10.1?

軟件,處理收集到的城市基礎設施、道路、交通、社會經濟等各方面數據,建立 信息數據庫。同時完成各種空間數據的空間計算,格式轉換,數據查詢以及地理 分析和最后的土地價格分類結果成圖等。

定性分析方法。在討論住宅地價影響因素、相關性分析和DBN深度網 絡的理論和現狀方面、這些方面的問題主要結合目前研究主流方向和收集到的數 據情況進行定性分析來提出解決方法。

定量分析方法。在住宅地價影響因素的量化、相關性分析法分析得到主 要影響因子、神經網絡模型的建立等方面主要使用定量方法。利用Excel2010?進 行數據計算、格式處理,利用SPSS 20.0?程序進行相關性分析,利用Eclipse?構建 神經網絡預測模型和各種實驗參數輸出。

2技術路線

/城市宏觀數據


/城市興趣點數據 /




地價因子分析





傳統模型與 DBN模型建立





不同模型實驗 與結果分析


圖1-1總體技術路線圖 

圖1-1所示的是總體技術路線圖,先收集成都市住宅地價相關地圖或非地圖數 據進行地價因子分析,然后建立DBN模型,最后對模型性能進行驗證。

(1)地價因子分析

如圖1-2所示,收集整理成都市住宅地價社會經濟等統計數據,利用相關性分 析方法,對造成研究區域住宅地價動態變化的影響因子進行定量分析,并對自然、 政策等因素進行定性分析

 

基于深度學習城市住宅地價影響因素識別與量化

圖1-2地價因子分析技術路線圖

(2)深度神經網絡模型研究與驗證

如圖1-3所示,利用成都住宅地價的相關因素數據,進行數據分類篩選、歸一 化、定量定性分析等處理,作為地價深度神經網絡模型的輸入數據。確定模型結 構,建立DBN模型,進行訓練。最后,利用Softmax分類器進行分類計算,完成 基于地價因素的成都住宅地價的評估,并對模型實驗結果進行對比分析。

基于深度學習城市住宅地價影響因素識別與量化

圖1-3深度神經網絡研究路線圖

1.5本文組織結構

本文共分為五章,內容結構如下:

第一章:緒論。描述了本文研究對象的相關背景知識,包括研究背景、國內 外研究現狀和存在的一些問題、本文研究內容及本文的組織結構。

第二章:本文相關模型介紹與理論基礎。介紹了本文使用到的技術的原理。 包括Hedonic模型、BP神經網絡、深度學習簡介、深度信念網絡DBN、Softmax 分類器和相關性分析的原理。其中DBN模型的基本思想、算法推導、基本組成、 訓練方法、特性等相關內容是本章的重點。

第三章:數據處理和地價影響因素分析與篩選。以成都市社會經濟狀況、政 府部門或研宄機構相關報告、基礎設施數據、住宅用地樣本數據為基礎,對成都 市住宅地價影響因子進行了必要的分析以及數據處理,使用相關分析確定了用于 實驗的地價影響因子。

第四章:建立模型以及實例研究。基于地價因素數據建立不同條件下的DBN 模型以及傳統的Hedonic和BP神經網絡模型,進行地價評估實驗,并對實驗結果 進行多方面的比較和分析。

第五章:總結與展望。對文章進行了總結,討論了本文所采用的研宄方法存 在的缺陷,對實驗未能改善的部分以及該領域或技術將來可能的發展方向提出展望。

第二章相關模型與理論

2. 1 Hedon i c 模型

2. 1.1 Hedonic模型簡介

Hedonic模型又稱為特征價格模型,常用來研究異質商品的差異特征與商品價 格之間的關系。異質商品指的是雖然類型相同,但在個體特征上存在差異的商品。 該模型的主要研究方法是通過分析商品的各種差異特征,收集商品的特征數據, 經過必要的處理后通過回歸得到其特征關于價格的表達式。

Hedonic理論最早由美國的Lancaster提出。Hedonic理論認為,消費者對異質 性商品的需求實際上源自于該商品所內含的特征,消費者通過購買和使用商品來 將這些特征轉化為效用。轉化的效用水平的高低來自于商品所包含的各種特征的 量級以及對商品價格的影響程度。

根據Hedonic理論,可以通過提取商品的特征來分析其與商品價格之間的關 系。將每個特征因素對商品價格的影響程度量化,根據量化后每個特征對價格的 影響程度值來計算商品的價格。Hedonic模型主要有三種不同的模型表達式,分別 為線性形式,對數形式和半對數形式,如公式(2-1)、(2-2)和(2-3)所示。

Pj=bj^ Z a\ X\ +s1

i=l

(2-1)

n2

LnP2 =b2+ ^ a] LnX2iJrs2

i=l

(2-2)

n3

LnP3 gfxf+gj

(2-3)


公式(2-1)為線性形式的Hedonic模型;公式(2-2)為對數形式的Hedonic 模型;公式(2-3)為半對數形式的Hedonic模型。其中Pp P2和P3為商品價格, 比,b2和b3為公式的常數項,ni,n2和n3為特征個數,aj,也2和a?為特征的回歸 系數,Xi1,Xi2和X?為商品的特征值,s2和s3為誤差項。

2. 1.2 Hedonic模型在住宅地價評估中的應用

作為一種經典的研究異質性商品特征與價格關系的模型,Hedonic模型被廣泛 應用于城市住宅地價評估中。朱傳廣等以南京市為例,根據區位因素和環境因素

建立了關于住宅地價的Hedonic模型[23]。鄒利林等以武漢市為例,基于交通、區 位和環境3個方面對武漢市住宅地價的時空演變進行了分析,并建立多種不同形 式的Hedonic模型,研究了武漢市住宅地價的時空特征和各城市因素對住宅地價的 影響[24]。

雖然Hedonic模型在城市地價評估中的作用己經得到學術界的廣泛認可,但隨 著土地市場和城市環境的發展,在進行城市地價評估中要考慮的因素以及特征數 據之間的關系變得越來越復雜。使用Hedonic模型在進行地價評估時,一般將每個 地價因素的權重值確定后,以線性形式表示出地價影響因素與土地價格之間的映 射關系式。這增大了人為確定因素權重的主觀性和不確定性,在面對因素關系復 雜、數據量較大且具備一定信息模糊性的問題時,無法準確地表現出土地價格與 地價影響因素之間的非線性映射關系。并且其作為Hedonic模型作為一種傳統統計 模型,在模型智能化和自動化上也有所不足。


熱門論文:


如何完成一篇優異的工程類本科畢業論文代寫


寫作碩士論文有哪些經驗和收獲(真實分享)


同學們找代寫機構代寫畢業論文原因分析


上一篇:工科畢業論文代寫流程下一篇:沒有了!
論文資源 | 期刊資源 | 論文模板資源 | 論文代寫技巧 | 站內資訊 | 代寫論文交易流程 | 代寫論文業務范圍 | 聯系我們 |
收縮
  • 電話咨詢

  • 13838208225
  • 13503820014
大星彩票走势图表