CN112418911A - 一种住宅价格指数预警方法、终端设备及存储介质 - Google Patents
一种住宅价格指数预警方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112418911A CN112418911A CN202011222310.XA CN202011222310A CN112418911A CN 112418911 A CN112418911 A CN 112418911A CN 202011222310 A CN202011222310 A CN 202011222310A CN 112418911 A CN112418911 A CN 112418911A
- Authority
- CN
- China
- Prior art keywords
- index
- price
- early warning
- area
- item
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种住宅价格指数预警方法、终端设备及存储介质,该方法中包括:S1:计算监测区域内各项目的价格指数和指数贡献、各面积段的价格指数和指数贡献和监测区域整体的价格指数;S2:根据步骤S1的计算结果、第一控制指标和第二控制指标以预警方式中的一种或多种进行预警,所述预警方式包括:正常项目预警、异常项目预警、监测区域面积段价格指数预警和监测区域整体价格指数预警。本发明可以实时动态监控区域内每一个项目、每一个面积段以及整体的价格指数,从而对异常项目进行预警。
Description
技术领域
本发明涉及住宅价格指数计算领域,尤其涉及一种住宅价格指数预警方法、终端设备及存储介质。
背景技术
现有的房地产调控目标为稳地价、稳房价、稳预期。对房地产市场的调控,其中最重要的环节之一就是住房价格的变化。反应住房价格变化最直观的指标就是住房价格指数的变化。其中,商品住宅价格指数,主要包括新建商品住宅价格指数以及二手住宅价格指数。建立商品住宅价格指数预警系统,实时监测房地产价格波动,对过热或过冷情况及时进行调控和引导,是保证稳地价、稳房价、稳预期的调控目标顺利实现以及达到“房住不炒”要求的有力手段。
商品住宅价格指数预警指标及指标体系是商品住宅价格指数预警系统的基础,而商品住宅价格指数是反映不同时期房地产市场变化趋势和程度最为直观的指标。面对各城市商品住宅面临形势、调控目标及方式各有差异的现状,完全采用抓取数据的方式进行价格指数计算或者对价格进行监测预警会与实际情况产生一定的偏离,不利于及时准确的进行市场调控及考核指标的完成。
发明内容
为了解决上述问题,本发明提出了一种住宅价格指数预警方法、终端设备及存储介质。
具体方案如下:
一种住宅价格指数预警方法,包括以下步骤:
S1:计算监测区域内各项目的价格指数和指数贡献、各面积段的价格指数和指数贡献和监测区域整体的价格指数;
S2:根据步骤S1的计算结果、第一控制指标和第二控制指标以预警方式中的一种或多种进行预警,所述预警方式包括:正常项目预警、异常项目预警、监测区域面积段价格指数预警和监测区域整体价格指数预警;
进一步的,所述正常项目预警采用的方法为:针对监测区域中每个面积段对应的所有项目,提取其中的指数贡献为前N位且价格指数大于100的项目进行监控,当监控的项目的价格指数大于第一控制指标和第二控制指标中的最小值时,对该项目进行预警。
进一步的,所述异常项目预警采用的方法为:当异常项目的价格指数处于两种区间中的任一种时,对异常项目进行预警,并提示价格指数处于两种区间中的哪种;第一种区间为价格指数介于第一控制指标和第二控制指标中的最小值与第一控制指标和第二控制指标中的最大值之间,第二种区间为价格指数大于第一控制指标和第二控制指标中的最大值。
进一步的,异常项目的价格指数的计算方法为:计算监测区域包含当前月份在内的最近的6个月中每月成交均价的平均值与12个月前同期6个月中每月成交均价的平均值的商值,再对计算的商值开12次方。
进一步的,所述监测区域面积段价格指数预警采用的方法为:针对监测区域包含的所有面积段,提取其中的指数贡献为前M位中的所有面积段进行监控,当监控的面积段的价格指数大于第一控制指标和第二控制指标中的最小值时,对该面积段进行预警。
进一步的,所述监测区域整体价格指数预警采用的方法:根据监测区域整体的价格指数处于四级中的不同级采用不同的预警方式;其中:
第一级为价格指数小于或等于100;
第二级为价格指数介于100与第一控制指标和第二控制指标中的最小值之间;
第三级为价格指数介于第一控制指标和第二控制指标中的最小值与第一控制指标和第二控制指标中的最大值之间;
第四级为价格指数大于第一控制指标和第二控制指标中的最大值。
进一步的,项目的价格指数的计算公式为:
其中,Px表示第x个项目的价格指数,n表示该项目中包含的楼栋的序号,j表示该项目中包含的楼栋总数,Nn表示当月该项目中第n个楼栋的成交金额,On表示当月该项目中第n个楼栋的成交面积,Rn表示该项目中第n个楼栋的价格指数,Em表示当月该楼栋中第m梯口的成交金额,Gm表示该楼栋中第m梯口的计算指数,Fm表示对比月该楼栋中第m梯口的成交面积,m表示该楼栋中梯口序号,i表示该楼栋的梯口总数,Am当月该楼栋中第m梯口的成交均价,Am’表示对比月该楼栋中第m梯口的成交均价,s表示当月与对比月之间间隔s个月。
进一步的,项目的指数贡献的计算公式为:
δx=λx*Px
其中,δx表示第x个项目的指数贡献,k表示该项目对应的面积段中包含的项目总数,x和o分别表示该项目对应的面积段中的第x和第o个项目,λx表示第x个项目的权重,ax和ao分别表示当月该项目对应的面积段中的第x和第o个项目的成交面积,bx和bo分别表示当月该项目对应的面积段中的第x和第o个项目的成交金额,Px表示第x个项目的价格指数。
进一步的,面积段的价格指数和指数贡献的计算公式分别为:
其中,Ny表示第y个面积段的指数贡献,q表示全市新建住宅中包含的面积段总数,y和w均表示面积段的序号,σy表示第y个面积段的权重,Sy和Sw分别表示第y个和第w个面积段的成交面积,Ty和Tw分别表示第y个和第w个面积段的成交金额,Vy表示第y个面积段的价格指数。
进一步的,监测区域整体的价格指数为各面积段的指数贡献之和。
一种住宅价格指数预警终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,并具有有益效果:
1、具有实时性,可以实时动态监控区域内每一个项目、每一个面积段以及整体的价格指数;
2、具有普适性,不仅适用于新建商品住宅,同样适用于存量商品住宅;
3、具有准确性,基于备案数据,可以准确反映市场情况,监测预警也更为精确、到位;
4、具有层次性,采用多级监测预警机制,同时给出相应的响应手段;
5、适合房地产数据服务企业以及房地产相关职能部门使用,尤其适用于住房管理部门使用。
附图说明
图1所示为本发明实施例一的流程图。
图2所示为该实施例中项目价格指数异常时的预警示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
本发明实施例提供了一种住宅价格指数预警方法,如图1所示,所述方法包括以下步骤:
S1:计算监测区域内各项目的价格指数和指数贡献、各面积段的价格指数和指数贡献和监测区域整体的价格指数。
具体计算方式包括以下步骤:
S11:根据采集的历史住宅基础数据构建基础数据匹配数据库。
所述基础数据匹配数据库包括但不限于以下内容:所属行政区、地块编号、预售证号、案名和项目名称。
所述基础数据匹配数据库构建目的主要是统计历史上所有获批预售证和项目信息,并且作为数据库,与新建住宅备案信息进行匹配,为新建住宅备案信息提供更多的分类信息。该实施例中的基础数据匹配数据库如表1所示。
表1
S12:采集新建住宅备案信息,通过将采集的新建住宅备案信息与基础数据匹配数据库中的内容进行匹配,提取新建住宅备案信息中的特征数据。
由于采集的新建住宅备案信息可能不包含预售证号等信息,通过与技术数据匹配数据库中的内容进行匹配后,可以提取到这些信息,匹配的过程通常通过项目名称匹配。
所述特征数据为下面价格指数计算中所需用到特征数据。该实施例中包括但不限于以下几种:所属行政区、地块编号、案名、预售证号、项目名称、项目位置、合同坐落、幢名(如:1号楼)、梯位(如:A梯)、总层数、所在楼层、产品类型(高层、别墅)、成交价格、成交面积、成交均价、折扣、面积段、成交日期。
该实施例中以厦门市2020年2月的新建商品住宅备案信息作为实例,表2为匹配完成后的备案信息明细表,由于该月份成交信息量较大,故在此不完全展示成交明细,仅提供示意表。由于国家统计局每月公布的70个大中城市新建商品房价格指数的面积段分类为90m2及以下、90-144m2、144m2及以上,此处亦采取此种面积段分类方式以及时间周期进行比较,方便进行对比。
表2
S13:根据提取的数据进行分类统计。
该实施例中按照分项目、分产品类型、分面积段、分楼栋和分梯口进行分类统计,统计内容包括总套数、总金额、总面积、均价和平均折扣。
为了提高计算的准确性,该实施例还包括剔除延迟备案的异常数据(一般将预售证批准时间超过8年的备案条目剔除,特殊情形除外)。
S14:根据分类统计的数据计算监测区域的每个面积段下每一个项目的价格指数,具体计算过程如下:
S141:计算项目中每个楼栋的价格指数;
其中,Rn表示该项目中第n个楼栋的价格指数,Em表示当月该楼栋中第m梯口的成交金额,Gm表示该楼栋中第m梯口的计算指数,Fm表示对比月该楼栋中第m梯口的成交面积,m表示该楼栋中梯口序号,i表示该楼栋的梯口总数,Am当月该楼栋中第m梯口的成交均价,Am’表示对比月该楼栋中第m梯口的成交均价,s表示当月与对比月之间间隔s个月,通常s≤3,优先选择距离当月最近的月份作为对比月,如果三个月内某个梯口未有成交,则该梯口的在对比月的成交均价和成交面积设定为该楼栋对应的所有梯口在对比月的成交均价和成交面积的平均值。
成交均价可以通过成交金额与成交面积的比值得到。
S142:根据每一个项目包含的各楼栋的价格指数,计算每一个项目的价格指数P:
其中,Px表示第x个项目的价格指数,n表示该项目中包含的楼栋的序号,j表示该项目中包含的楼栋总数,Nn表示当月该项目中第n个楼栋的成交金额,On表示当月该项目中第n个楼栋的成交面积,Rn表示该项目中第n个楼栋的价格指数。
需要说明的是,如果该项目是第一次入市的新项目,或者为三个月以上未发生交易的项目,则需要进行评估,采用评估的结果作为该项目的价格指数。该实施例中采用的评估方式如下:计算监测区域包含当前月份在内的最近的6个月中每月成交均价的平均值与12个月前同期6个月中每月成交均价的平均值的商值,再对计算的商值开12次方,得到评估结果。
S15:根据每一个项目的价格指数,计算每一个项目的权重和指数贡献;
每个项目的权重和指数贡献的计算公式分别为:
其中,k表示该项目对应的面积段中包含的项目总数,x和o分别表示该项目对应的面积段中的第x和第o个项目,λx表示第x个项目的权重,ax和ao分别表示当月该项目对应的面积段中的第x和第o个项目的成交面积,bx和bo分别表示当月该项目对应的面积段中的第x和第o个项目的成交金额,δx表示第x个项目的指数贡献,Px表示第x个项目的价格指数。
该实施例中的计算结果如表3~表5所示,其中,表3为90m2及以下项目指数计算结果,表4为90-144m2项目指数计算结果,表5为144m2及以上项目指数计算结果。
表3
表4
表5
S16:根据每个项目的指数贡献,计算每个面积段的价格指数。
第y个面积段的价格指数Vy为该面积段包含的所有项目的指数贡献之和,具体计算公式为:
S17:根据每个面积段的价格指数,计算每个面积段的指数贡献。具体计算过程包括以下步骤:
S171:根据当月每个面积段的成交面积和成交金额,计算每个面积段的权重:
其中,q表示全市新建住宅中包含的面积段总数,y和w均表示面积段的序号,σy表示第y个面积段的权重,Sy和Sw分别表示第y个和第w个面积段的成交面积,Ty和Tw分别表示第y个和第w个面积段的成交金额。
S172:根据每个面积段的权重,计算每个面积段的指数贡献:
Ny=σy*Vy
其中,Ny表示第y个面积段的指数贡献。
该实施例中各面积段的权重、价格指数的计算结果如表6所示:
表6
面积段 | 成交套数 | 成交金额 | 成交面积 | 成交均价 | 面积段权重 | 价格指数 |
90m<sup>2</sup>及以下 | 136 | 277725154 | 9611.65 | 28894.64 | 16.13% | 99.7% |
90-144m<sup>2</sup> | 257 | 1116616063 | 29227.39 | 38204.44 | 55.83% | 100.3% |
144m<sup>2</sup>及以上 | 76 | 616520033 | 13234.49 | 46584.34 | 28.04% | 99.8% |
总计 | 469 | 2010861250 | 52073.53 | 38615.80 | 100.00% | 100.1% |
S18:根据监测区域内每个面积段的指数贡献,计算监测区域整体的价格指数U:
即监测区域整体的价格指数为各面积段的指数贡献之和。
S2:根据步骤S1的计算结果、第一控制指标和第二控制指标以预警方式中的一种或多种进行预警,所述预警方式包括:正常项目预警、异常项目预警、监测区域面积段价格指数预警和监测区域整体价格指数预警。
第一控制指标和第二控制指标均为根据价格指数的年涨幅要求设定的指标。对于给出价格指数年涨幅要求的城市,假设价格指数年涨幅为H%,则平均分摊到每月的价格指数为但是,除了此数值的限定外,仍存在一个隐形调控值,这一数值是每月动态变化的值,需要根据国家统计局公布的指数进行配合计算,其公式为因此,该实施例中设定第一控制指标为第二控制指标为其中H表示价格指数年涨幅为H%,IL表示当年第L个月国家统计局公布的该监测区域的新建商品住宅价格指数。
该实施例中2020年厦门市调控目标为年涨幅不超过5%,则平均分配到12个月的允许价格指数(即第一控制指标)为100.407;2020年1月国家统计局公布的该市新建商品住宅价格指数值分别为100.3,则2月动态允许价格指数(即第二控制指标)为100.417。
下面对四种预警方式分别进行说明。
(1)正常项目预警
将监测区域中每个面积段对应的所有项目根据项目的指数贡献的大小按照从大到小的顺序进行排序后,提取出指数贡献中的前20位且价格指数大于100的项目进行监控,当监控的项目的价格指数大于第一控制指标和第二控制指标中的最小值(即)时,对该项目进行预警。
该实施例中需要进行预警的项目如表7~表9所示,分别为90m2及以下、90-144m2和144m2及以上需要预警的项目。
表7
表8
表9
案名 | 成交套数 | 成交价格 | 面积 | 成交均价 | 计算指数 | 权重 | 指数贡献 |
国贸远洋天和(别墅) | 2 | 16417532 | 306.47 | 53569.78 | 115.39 | 2.49% | 2.87% |
云顶至尊(高层) | 1 | 12531361 | 279.09 | 44900.79 | 112.04 | 2.07% | 2.32% |
建发玺樾(高层) | 6 | 82258416 | 1112.48 | 73941.48 | 102.58 | 10.87% | 11.15% |
中洲滨海城(高层) | 6 | 20261126 | 909.91 | 22267.18 | 101.36 | 5.08% | 5.15% |
(2)异常项目预警
由于新开项目或前三个月未发生交易的项目的价格指数计算方式较为特殊,因此需要单独进行监测预警。
当价格指数小于第一控制指标和第二控制指标中的最小值时,说明新开项目或三个月未发生交易的项目的价格指数不会对整体价格指数产生较大影响,该类项目备案不会引起指数的异常波动,该类项目在此条件下可以自由备案,无需进行预警。大于时,则需要进行预警,分为两个不同的区间,当异常项目的价格指数处于两种区间中的任一种时,对异常项目进行预警,并提示价格指数处于两种区间中的哪种。
第一种区间为价格指数介于第一控制指标和第二控制指标中的最小值与第一控制指标和第二控制指标中的最大值之间,此时该类项目的价格指数已经会影响整体的价格指数,但是并不会引起整体指数异常波动,此时应及时预警,以提示管理层根据实际情况对该类项目进行微调或者密切监控。
第二种区间为价格指数大于第一控制指标和第二控制指标中的最大值,此时该类项目的备案对整体价格指数的影响较大,其备案量过大会直接导致整体价格指数异常波动,需要及时预警,以提醒管理层对该类项目进行调控。
该实施例中计算的本月异常项目的价格指数为99.80,低于两个控制指标100.407及100.417,故本月异常项目的备案无抬高价格指数的风险,无需进行预警和调控。
(3)监测区域面积段价格指数预警
将全市包含的所有面积段根据面积段对应的指数贡献的大小按照从大到小的顺序进行排序后,选取排序为前二分之一的面积段进行监控,当监控的面积段的价格指数大于第一控制指标和第二控制指标中的最小值时,对该面积段进行预警。
该实施例中,2020年2月厦门市90m2及以下、90-144m2、144m2及以上三个面积段价格指数计算值分别为99.7、100.3以及99.8,低于两个控制指标100.407及100.417,故本月面积段价格指数在正常范围内,无需预警及调控。
(4)监测区域整体价格指数预警
根据监测区域整体的价格指数处于四级中的不同级采用不同的预警方式;该实施例中四级具体为:
第一级为价格指数小于或等于100。当处于第一级时,房地产市场价格处于较稳定或偏低的情况下,此时可以增加各项目备案量、价格较高的房源亦可以顺势进行备案,保证市场不会进入“冰点”状态。
第二级为价格指数介于100与第一控制指标和第二控制指标中的最小值之间。当处于第二级时,房地产市场价格处于稳定状态,此时各项目保持稳定备案。
第三级为价格指数介于第一控制指标和第二控制指标中的最小值与第一控制指标和第二控制指标中的最大值之间。当处于第三级时,房地产市场价格处于介稳状态,所谓介稳,即当前房地产市场价格有所升高,但总体仍在可控范围内,未超过当月可支配涨幅。此时的房地产价格就全年而言是稳定的,但是就当月而言已经有了一定的涨幅,对于这种介稳状态,需要对备案项目进行密切监控,该实施例中选择项目指数大于100,总指数贡献排名前三的项目进行适当调控。
第四级为价格指数大于第一控制指标和第二控制指标中的最大值。当处于第四级时,房地产市场价格处于失稳状态,即全市当月涨幅已经超过全年允许平均月涨幅,且当月环比上月涨幅已经较大。对于这种失稳状态,需要立即采取调控措施,该实施例中选择项目的价格指数大于100,指数贡献排名前十的项目进行调控,分层次的控制这十个项目的备案均价,保证当月商品住宅价格指数回落到第三级预警及以下。
该实施例中,2020年2月厦门市整体价格指数计算值为100.1,介于100~100.407之间,属于第二级稳定状态,保持监控即可。
该实施例中预警的异常项目还会再地图的对应位置进行标注,示意图如图2所示。
本发明实施例一具有以下有益效果:
1、具有实时性,可以实时动态监控区域内每一个项目、每一个面积段以及整体的价格指数;
2、具有普适性,不仅适用于新建商品住宅,同样适用于存量商品住宅;
3、具有准确性,基于备案数据,可以准确反映市场情况,监测预警也更为精确、到位;
4、具有层次性,采用多级监测预警机制,同时给出相应的响应手段;
5、适合房地产数据服务企业以及房地产相关职能部门使用,尤其适用于住房管理部门使用。
实施例二:
本发明还提供一种住宅价格指数预警终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述住宅价格指数预警终端设备可以是手机、电脑及云端服务器等计算设备。所述住宅价格指数预警终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述住宅价格指数预警终端设备的组成结构仅仅是住宅价格指数预警终端设备的示例,并不构成对住宅价格指数预警终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述住宅价格指数预警终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述住宅价格指数预警终端设备的控制中心,利用各种接口和线路连接整个住宅价格指数预警终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述住宅价格指数预警终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述住宅价格指数预警终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (10)
2.根据权利要求1所述的住宅价格指数预警方法,其特征在于:所述正常项目预警采用的方法为:针对监测区域中每个面积段对应的所有项目,提取其中的指数贡献为前N位且价格指数大于100的项目进行监控,当监控的项目的价格指数大于第一控制指标和第二控制指标中的最小值时,对该项目进行预警。
3.根据权利要求1所述的住宅价格指数预警方法,其特征在于:所述异常项目预警采用的方法为:当异常项目的价格指数处于两种区间中的任一种时,对异常项目进行预警,并提示价格指数处于两种区间中的哪种;第一种区间为价格指数介于第一控制指标和第二控制指标中的最小值与第一控制指标和第二控制指标中的最大值之间,第二种区间为价格指数大于第一控制指标和第二控制指标中的最大值。
4.根据权利要求3所述的住宅价格指数预警方法,其特征在于:异常项目的价格指数的计算方法为:计算监测区域包含当前月份在内的最近的6个月中每月成交均价的平均值与12个月前同期6个月中每月成交均价的平均值的商值,再对计算的商值开12次方。
5.根据权利要求1所述的住宅价格指数预警方法,其特征在于:所述监测区域面积段价格指数预警采用的方法为:针对监测区域包含的所有面积段,提取其中的指数贡献为前M位中的所有面积段进行监控,当监控的面积段的价格指数大于第一控制指标和第二控制指标中的最小值时,对该面积段进行预警。
6.根据权利要求1所述的住宅价格指数预警方法,其特征在于:所述监测区域整体价格指数预警采用的方法:根据监测区域整体的价格指数处于四级中的不同级采用不同的预警方式;其中:
第一级为价格指数小于或等于100;
第二级为价格指数介于100与第一控制指标和第二控制指标中的最小值之间;
第三级为价格指数介于第一控制指标和第二控制指标中的最小值与第一控制指标和第二控制指标中的最大值之间;
第四级为价格指数大于第一控制指标和第二控制指标中的最大值。
7.根据权利要求1所述的住宅价格指数预警方法,其特征在于:项目的价格指数的计算公式为:
其中,Px表示第x个项目的价格指数,n表示该项目中包含的楼栋的序号,j表示该项目中包含的楼栋总数,Nn表示当月该项目中第n个楼栋的成交金额,On表示当月该项目中第n个楼栋的成交面积,Rn表示该项目中第n个楼栋的价格指数,Em表示当月该楼栋中第m梯口的成交金额,Gm表示该楼栋中第m梯口的计算指数,Fm表示对比月该楼栋中第m梯口的成交面积,m表示该楼栋中梯口序号,i表示该楼栋的梯口总数,Am当月该楼栋中第m梯口的成交均价,Am’表示对比月该楼栋中第m梯口的成交均价,s表示当月与对比月之间间隔s个月;
项目的指数贡献的计算公式为:
δx=λx*Px
其中,δx表示第x个项目的指数贡献,k表示该项目对应的面积段中包含的项目总数,x和o分别表示该项目对应的面积段中的第x和第o个项目,λx表示第x个项目的权重,ax和ao分别表示当月该项目对应的面积段中的第x和第o个项目的成交面积,bx和bo分别表示当月该项目对应的面积段中的第x和第o个项目的成交金额,Px表示第x个项目的价格指数。
9.一种住宅价格指数预警终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~8中任一所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1~8中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011222310.XA CN112418911A (zh) | 2020-11-05 | 2020-11-05 | 一种住宅价格指数预警方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011222310.XA CN112418911A (zh) | 2020-11-05 | 2020-11-05 | 一种住宅价格指数预警方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112418911A true CN112418911A (zh) | 2021-02-26 |
Family
ID=74827849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011222310.XA Pending CN112418911A (zh) | 2020-11-05 | 2020-11-05 | 一种住宅价格指数预警方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418911A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI821693B (zh) * | 2021-06-21 | 2023-11-11 | 信義房屋股份有限公司 | 房價出現轉折的警示裝置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242540A (zh) * | 2018-08-15 | 2019-01-18 | 杭州中房信息科技有限公司 | 一种基于大数据的二手房价格指数计算方法 |
CN109409951A (zh) * | 2018-10-19 | 2019-03-01 | 杭州中房信息科技有限公司 | 一种基于价格指数的房地产市场监测预警方法和系统 |
CN109544213A (zh) * | 2018-10-31 | 2019-03-29 | 平安直通咨询有限公司 | 二手房交易房价指数构建方法、装置及存储介质 |
CN111950883A (zh) * | 2020-08-05 | 2020-11-17 | 中国科学院城市环境研究所 | 一种住宅价格指数预警方法、终端设备及存储介质 |
-
2020
- 2020-11-05 CN CN202011222310.XA patent/CN112418911A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242540A (zh) * | 2018-08-15 | 2019-01-18 | 杭州中房信息科技有限公司 | 一种基于大数据的二手房价格指数计算方法 |
CN109409951A (zh) * | 2018-10-19 | 2019-03-01 | 杭州中房信息科技有限公司 | 一种基于价格指数的房地产市场监测预警方法和系统 |
CN109544213A (zh) * | 2018-10-31 | 2019-03-29 | 平安直通咨询有限公司 | 二手房交易房价指数构建方法、装置及存储介质 |
CN111950883A (zh) * | 2020-08-05 | 2020-11-17 | 中国科学院城市环境研究所 | 一种住宅价格指数预警方法、终端设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI821693B (zh) * | 2021-06-21 | 2023-11-11 | 信義房屋股份有限公司 | 房價出現轉折的警示裝置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DeFusco | Homeowner borrowing and housing collateral: New evidence from expiring price controls | |
US6141648A (en) | Method for estimating the price per square foot value of real property | |
AU2006202244B2 (en) | Method and processing arrangement for providing various financing options | |
US20040153330A1 (en) | System and method for evaluating future collateral risk quality of real estate | |
JP2003526146A (ja) | 評価値を求めてリスクを低減する方法とシステム | |
JP2003529138A (ja) | 収益と現在価値を最適化するための方法とシステム | |
JP2003505746A (ja) | ポートフォリオ最適化の枠組み内で、ユーティリティを向上させ、モデル・リスクを多様化する | |
JP2003529139A (ja) | 最適なアンダーライトを行うためのポートフォリオの効率的サンプリング方法とシステム | |
JP2003535387A (ja) | 金融商品等の資産ポートフォリオの高速評価 | |
US20100179911A1 (en) | Collateral validation system | |
Ustinovichius | Determination of efficiency of investments in construction | |
CN111950883A (zh) | 一种住宅价格指数预警方法、终端设备及存储介质 | |
CN111950884A (zh) | 一种新建住宅价格指数计算方法、终端设备及存储介质 | |
US11675848B2 (en) | Optimizing response creation and delivery for lending queries | |
CN112418911A (zh) | 一种住宅价格指数预警方法、终端设备及存储介质 | |
Ratnadiwakara et al. | Do sunk costs affect prices in the housing market? | |
JP2004046454A (ja) | 株式投資レーティング評価方法、システム、この方法をコンピュータに実行させるためのプログラム、このプログラムを記録した記録媒体 | |
KR101967575B1 (ko) | 광역자치단체의 시군구별 grdp의 효율적 추계를 위한 방법 및 시스템 | |
US20130268458A1 (en) | System and method for identifying relevant entities | |
CN117252677A (zh) | 信贷额度确定方法和装置、电子设备及存储介质 | |
CN106846145A (zh) | 一种构建及验证信用评分方程过程中的元变量设计方法 | |
Lu | Airbnb short-term housing rental status prediction model under the impact of the COVID-19 pandemic | |
CN112418913A (zh) | 一种新建住宅价格指数计算方法、终端设备及存储介质 | |
JP2000137746A (ja) | 不動産投資インデックスシステム | |
US20230260035A1 (en) | System and method for analyzing, evaluating and ranking properties using artificial intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |