Intercept Avep Deco Towards
HT HA TF KF HY
Focus Visit Add HCY
NTS Estimate
-1.671e+029.534e-032.993e+002.347e-011.480e+001.754e+002.388e-01四川地震带
-5.704e-01-6.309e-01-3.603e-013.463e-01-4.912e-01-2.580e+001.986e+00
Std.Error
3.770e+001.773e-047.774e-013.988e-012.751e-011.518e-02
4.152e-024.035e-019.871e-023.287e-023.643e-021.199e-017.590e-018.287e-01t value
-44.33053.7633.8500.5895.381115.5575.752
-1.414-6.392-10.9629.506
-
4.097-3.400
2.397Pr （>|t|）<2e-16
<2e-16
0.0001190.5561547.59e-08<2e-16
9.13e-090.1575031.72e-10<2e-16
<2e-164.22e-050.0006780.016553******
*********
******
******
*******
lm （formula=Price~.，data=p ）表1模型拟合各变量信息一览表
一、引言
住房是我国城乡居民的一个基本生活需求，房屋价格一向是社会热点话题。2016年内合肥房屋均价涨幅为48.4%，涨幅排名全球第一，受到了国内外特别关注。本文选用了涉及建筑面积、户型、区域均价等13个影响因素共9，185组合肥市二手房相关交易数据，据此建立二手房售价预测模型，并对模型进行优化，为合肥二手房交易各方提供了一种有实际价值房价定价工具。 二、数据预处理本文数据主要来自链家二手房网（https ：//hf.lianjia ），全部为介于2017年3月至2018年3月合肥二手房交易相关数据，首先对原始数据进行拆分、归类和缺失值处理，共得到9，185组有效数据，每组数据中Price （房价）为因变量，其余13
个变量为自变量，分别为：Avep （区域均价）、Deco （装修程度）、Towards （房屋朝向）、HT （户型）、HA （建筑面积）、TF （该楼层高
度）、KF （楼层段）、HY （使用年限）、Focus （网络关注人数）、Visit
（看房人数）、Ad （信息发布时间）、HCY （房产证是否满五年唯一）、NTS （是否靠近地铁站）。例如变量区域均价Avep 就包括政务区、滨湖区、蜀山区、庐阳区、包河区、瑶海区六个城区的二手房均价、装修程度分为精装、简装、毛坯和其他四类；其余自变量类似处理，这里略。本文主要考虑二手房交易中常规的交易数据，故将原始数据中价格超高的数据（超过1，000万）直接删除。
三、多元线性回归模型（一）模型定义。多元线性回归模型通常用来描述因变量y 与p （p≥1）个自变量x 1，x 2，…，x p 之间的线性相关关系，模型形式为：y=β0+β1x 1+…+βp x p +ε
其中，β0，β1，…，βp 是回归系数，ε~N （0，σ2）是随机误差。
（二）建立模型。本文借助R 软件中线性回归函数lm （）给出模型回归系数的最小二乘估计，并对回归方程和回归系数进行显著性检验，程序输出结果见表1，从中看出检验统计量F 所对应的p 值为2.2×10-16，说明回归方程是非常显著的，但是对诸回归系数的t 检验所对应的p 值显示自变量Towards 、KF
合肥市二手房价多元线性回归预测模型
□文/黄明宇夏典去迪拜打工月薪多少
（云南师范大学数学学院
云南·昆明）
［提要］房地产价格变化一向是社会关注的热点。本文从链家二手网站上爬取了近万组合肥市截止到2018年3月的最新二手房交易数据，据此建立因变量为二手房售价，自变量分别为建筑面积、使用年限、户型等11个变量的多元线性回归模型，并对模
型进行优化，最终得到较优的二手房价预测模型，为合肥二手房交易各方提供一种有实用价值的房价定价工具。
关键词：合肥二手房价格；房价预测模型；逐步回归
本文为云南师范大学研究生核心课程建设项目（项目编号：YH2018-C08）；指导老师：郭民之中图分类号：F293.3文献标识码：A 收录日期：2019年2月25日
市场/贸易
杭州清河坊街攻略
《合作经济与科技》No.5s 2019
80--
不显著，其余自变量和常数项显著；判定系数R 2等于0.8349，拟合程度较高。（表1）下面，用R 软件中的逐步回归函数step （）对上面建立的线性回归方程进行变量筛选和优化，程序输出结果见表2所示。（表2）
结果显示采用全部自变量作回归（即<none>所对应的情形）时，AIC 为63173，当去掉不显著自变量Towards 时，AIC 达到最小值63171。当去掉另一个不显著的自变量KF 时，AIC 值为63173，与<none>情形所对应的AIC 值一样。进一步用View （drop1（lm.step ））函数查看在逐步回归模型（即已去掉Towards 后的模型）基础上再逐一强制去掉一个自变量后的各种可能情形。可见，去除KF 变量后，AIC 稍稍变大：从63171.47变为63171.50，但变大的幅度很小。对应残差平方和（sum of Sq ）
1967.737最小，所以最终决定在原模型中去除Towards 和KF
两个变量。
现用R 软件中函数summary （）函数观察Price 关于Avep 、Deco 、HT （不包括Towards 、KF 变量）等11个变量的回归模型的信息，并同样做逐步回归，结果如表3所示。（表3）
从表3中，看出检验统计量F 所对应的p 值几乎为零，说
明回归方程是非常显著的，对诸回归系数的t 检验所对应的p 值显示全部11个自变量和常数项均显著；判定系数R 2等于0.8349，模型拟合效果较好。
综上所述，我们得到了较优模型：
Price =-168+0.009849×Avep +2.99Deco +1.49×HT +1.754×
HA +0.2396×TF -0.6414×HY -0.3608×Focus +0.3472×Visit -0.4947×Ad-2.587×HCY+2.01×NTS
从模型中可以看出，因变量Price 与Avep 、Deco 、HT 、HA 、TF 、Visit 、NTS 等7个自变量成正相关关系（区域均价上涨、或装修程度越高、或住房面积越大、或户型越好等必然会导致房
Towards <none>KF NTS HCY Deco
Add HT TF HY Visit Focus Avep
HA
<none>KF NTS HCY Deco
Add HT TF HY Visit Focus Avep
HA
Sum of Sq 336--19375568112001436316266280603205739592875631164482801022
12940377
Sum of Sq 19685596111061440416294284723235939591874451162832810142
12940085
RSS 8887652888731788892538892884889851689016808903583891537789193748926908897487990037651168833921827737
RSS 888765288896208893248889875989020578903946891612489200128927244897509790039351169779421827737
AIC 6317163173631736317763183631866318863200632046321263261632916568871424
AIC 63171.4763171.5063175.2563180.9463184.3463186.2963198.8463202.8563210.2963259.3963288.8965692.9371422.36
Start ：AIC=63173.12Price~Avep+Deco+Towards+HT+HA+TF+KF+HY+Focus+Vis-
it+Add+HCY+NTS Step ：AIC=63171.47Price ~Avep+Deco+HT+HA+TF+KF+HY+Focus+Visit+Add+
HCY+NTS 表2逐步回归法结果一览表
Intercept Avep Deco HT HA TF HY Focus Visit Add HCY
NTS Estimate
-1.680e+029.549e-032.990e+001.490e+001.754e+002.396e-01-6.414e-01-3.608e-013.472e-01-4.947e-01-2.587e+002.010e+00
Std.Error
3.606e+001.769e-047.774e-012.747e-011.518e-02
4.149e-029.854e-023.286e-023.643e-021.199e-017.588e-018.285e-01t value
-46.60053.9673.8465.422115.5395.776-6.509-10.9789.530-4.126-3.409
2.426
Pr （>|t|）<2e-16
<2e-16
0.0001216.05e-08<2e-16
7.91e-097.95e-11<2e-16
<2e-163.72e-050.0006540.015284***************************
*******
lm （formula=Price~.，data=p ）表3模型拟合各变量信息一览表
序号12345678910
实际房价8085105119130160160170195213
模型预测价格88.9491.65107.99110.49133.71164.65159.60165.79191.07211.81
预测误差-8.94-6.65-2.998.51-3.71-4.65
0.404.213.931.19表410套房屋实际售价与模型预测售价对比一览表81--
随着我国城镇化和农业现代化进程的加快，国家“乡村振兴”战略的实施，更多惠农政策的推行，农业技术水平不断提高，机械化程度不断提高，促进了农村劳动力大量转移，农户承包土地经营权流转明显加快。“农业部关于大力实施乡村振兴战略加快推进农业转型升级的意见中提出，鼓励新型经营主体通过多种形式进行土地流转，扩大经营规模，并规范农业服务行为和服务市场。”农地适度规模经营显现并成为现代农业的发展趋势，由此农地流转市场快速发展，已成为农村经济的重要组成部分。但农地流转市场仍处于初级阶段，存在诸多问题，尤其是由于信息不对称导致的市场问题日益显现，各农地流转 农地流转市场信息不对称困境及对策
□文/张立君
（中国矿业大学（北京）文法学院北京）
［提要］党的十九大提出“乡村振兴”战略，“实现乡村产业振兴，将大力发展农村生产力、加快推进农业现代化。”随着农业现代化发展的需要，农地规模化生产成为必然趋势，但当前我国农地细碎化严重，农地经营分散，且农地流转市场处于初级阶段，尚存诸多问题，不利于现代农业的发展。针对当前农地流转市场的困境进行分析，探究信息不对称下的农地流转市场机制缺陷，并构建公平、公正、公开市场条件下的农地流转合理价格体系，推动农地有序流转，有利于加快我国农业现代化建设。
关键词：农地流转；信息不对称；市场机制
中图分类号：F32文献标识码：A
收录日期：2019年3月2日
价越高），因变量Price与Focus、Ad、HY、HCY等4个自变量成
负相关关系（网络关注度高（但无人买），或发售日期长，或使用
年限长，或待售房产“满五唯一”，会导致房价下降）。可见，本文四川地图完整高清版
所得到的房价预测模型与二手房交易的实际意义是相符合的。
四、模型的交叉验证及实际预测示例
用十折交叉验证法对模型预测结果做交叉验证，其平均标
准化均方误差（NMSE）为0.1659765，远小于1，模型交叉验证
效果较好。
再随机抽取链家二手网上已经成交的10套房的房价与模
型预测的房价作对比如表4所示。（表4）
预测模型使用说明：合肥某人有一房产，一个月前在链家
二手交易市场中发布房屋出售信息，信息如下：房屋地处政务
区，3室2厅，建筑面积为120平方米，简装房，共2层，房屋使
用2年，网络关注有2人，0人参观，房产证没有满五年，靠近
地铁站。将上述信息量化后带入到模型中，计算出的房价为255.49万元。于是买卖双方可在255.49万元这个参考价格进行议价，最终完成交易过程。
五、总结与评价
本文中最终得出了拟合度较高的房价预测模型，为合肥市
二手房交易提供了一个有实用价值的房价参考定价工具，买卖
双方或中介公司只要将模型中所需的变量值带入，就可得出相对应的二手房价，在这个参考房价上双方可以商议具体房屋交易价格。
当然，模型也存在着一些问题。根据经验，建立模型时去除的自变量Towards（房屋朝向）和KF（楼层处于哪段），在二手房交易中往往也是不能忽略的因素。另外，由于数据是从网络收集到的，有的重要数据资料难于收集，比如是否为学区房、房屋建筑的安全系数等。所以，模型还可以结合实际数据作进一步的优化。
主要参考文献：
中国地图电子版［1］中商情报网.http：//www.askci/news/dxf/20170119/ 16085988495.shtml，2017.1.19.烟台南山学院
［2］合肥链家网.https：//hf.lianjia/.
［3］南方财富网.http：//www.southmoney/paihang-bang/201712/1834628.html，2017.12.
［4］费宇.郭民之.陈贻娟.多元统计分析——
—基于R［M］.北京.中国人民大学出版社，2014.
［5］郭会利.多元回归分析的逐步回归预测模型［J］.考试周刊，2009（26）.
市场/贸易《合作经济与科技》No.5s2019 82--
