经济网 中国经济论坛

   厦门社区论坛 > 厦门房产 > 正文

精品案例 广州、深圳和厦门的房价有多高?

  大家好,水妈终于回归精品案例系列。去年的精品案例—北京市二手房影响因素分析(),深深地伤害了北京地区的熊粉们。为了弥补你们,水妈决定今天伤害一下广州、深圳和厦门地区的童鞋们,分析一下这三个地区的房价影响因素。

  时间回到2017年5月8日,某二手房网站,20个城市近20万条在售二手房的房价数据被展示在图1中。钢青色的箱子代表一线城市,其中我大首都遥遥领先,二手房均价将近7万元/平米;上海和深圳作为经济、金融中心,也不甘落后,房价齐头并进!天蓝色的箱子代表二线发达城市,其房价整体要低于一线城市,然而厦门表示不服,誓与深圳一决高下!二线中等城市和其他城市,虽然没有异军突起,但房价也都逐步迈入了2万元/平米的时代。

  自从狗熊会发布跟房价有关的内容以来,熊粉们给予了高度关注,纷纷发来贺电,为水妈提供各种分析思路。在这里,水妈表示感谢,咱虽然没钱买房,但得有心思讨论啊。待水妈在时间上积累了足够的长度,咱到时候一定讨论各种经济指标、各种心理预期、各种幸福指数。

  此次案例分析,水妈选取了广州、深圳和厦门三个相距较近的城市,以及各种微观层面的指标,对二手房房价影响因素进行分析。在进行建模的时候,很多指标被离散化处理。经常被问到为何要做离散化处理,水妈尝试给这样两个答案:1、在模型解释方面,有时候离散化更容易解读。比如建筑年份,被离散化成2007年以前和2007年以后两个水平,这样就能看出老房子和新房子之间的差异,而非解读为建筑年代每增加一年,房价如何变化。2、在消除某些异常值的影响方面,离散化能起到一定的作用。比如卧室数,有的房屋面积不大,但卧室数达到8间9间,不好说这是真实情况还是记录错误。在建模的时候,离散化成2间以下和2间以上,能够在一定程度上稳定系数估计。

  接下来,我们具体看看3个城市的各个城区房价对比(由于某些城区采集到的样本量较小,未纳入此次数据分析)。箱线图中,小麦色代表广州的城区,钢青色代表深圳,灰色代表厦门,箱子的胖瘦与各个城区的样本量成正比。

  广州的中心五区是越秀、天河、荔湾、海珠和白云。其中,CBD位于天河区,是中国三大国家级中央商务区之一。因此天河区的房价相对较高,在样本数据中显示达到5万元/平米。黄埔区有科学城等园区,区域竞争力与日俱增。随着地铁建设的推进,房价也有所提升,达到3万元/平米。

  深圳的房价近几年突飞猛进。从区域划分来看,主要分为关内(包括罗湖区、福田区、南山区和盐田区等)和关外(包括宝安区、龙岗区、龙华区和坪山区等)。从城市的市政管理、繁华程度、消费水平等方面来看,关内都明显好于关外。因此二手房房价也是关内远高于关外。例如,南山区、福田区的房价达到6万元/平米。

  我们最后看看厦门。厦门主要分岛内和岛外两个区域。岛内包括思明区(以文教、行政、旅游为主)和湖里区(主要是老工业区、货轮码头和机场等),其中鼓浪屿属于思明区管辖。岛内资源相对集中,思明区和湖里区的面积虽然不到全市的10%,但岛内的人口总数和GDP超过全市的50%。因此,岛内的二手房房价明显高于岛外。部分小区的二手房报价达到8万元/平米。

  最后,我们再来看看区位因素对于房价的影响。从箱线图中可以看出,对于每个城市来说,教育资源(学区)都是影响房价的重要因素。学区房的价格明显高于非学区房。针对广州市(仅广州市包含地铁数据),临近地铁的二手房价格明显高于不临近地铁的。

  为了进一步探究二手房房价影响因素,分别对广州、深圳和厦门的数据建立线性回归模型(因变量是单价)。

  三个城市的面积系数估计都是显著的,而且为正。说明房屋面积越大,单价越高。

  楼层是个定性变量,有三个水平,产生了两个系数估计,消失掉的低层是基准组。从中层和高层的系数估计为负值看出,楼层越高,单价越低。

  建筑年代是0-1变量,基准组是2007年及以前,系数估计均为正,说明老房子的单价更低。

  教育资源的系数估计显著为正。说明教育资源越丰富,单价越高。具体地,在广州,周围有教育资源的住房比没有的单价平均高3850元/平米;在深圳,平均高5310元/平米;在厦门,这个差异为3930元/平米。

  热门、中心城区的单价相对较高。在广州,位于海珠、黄埔和天河的住房单价更高。以天河区为例,系数估计解读为,天河区的房价比(基准组)白云区平均高2.67万元/平米。在深圳,位于福田和南山的住房单价比其他城区更高。在厦门,岛内的住房单价比岛外高。

  从模型估计结果能够看到,每个城市中不同的城区、是否为学区房、是否临近地铁的二手房价格都有较大的差异。线性回归模型的结果中,卧室数、厅数的影响不清晰,推测其与面积是否会对二手房价格有交互影响。因此,在线性回归模型的基础上,我们考虑加入各种交互项(城区*学区,城区*地铁,面积*卧室数),并使用AIC准则进行变量选择。具体的估计结果和预测效果在完整的案例中有详细解读。如果大家对于我们的精品案例感兴趣,请加入狗熊会高校会员,详情咨询王老师(电话,邮箱xuan. )。

(责任编辑:admin )
  • 微笑
  • 流汗
  • 难过
  • 羡慕
  • 愤怒
  • 流泪
0