经济论文哪里有？本文基于中国城市房价短序列数据，通过平衡估计扩散熵的方法减小转移熵的估计误差，基于房价网络的拓扑结构，归因解释其蕴含的联动关系，并BDS检验的手段识别出房价联动关系的非线性特征，从多个角度探究房价网络的联动效应并在最后一章节利用整图训练的思想对房价预警提出新的构思。
第1章 绪论
1.4研究的主要贡献
本文的主要研究贡献在于：
第一，通过使用平衡估计扩散熵估计的转移熵方法处理房价数据，将信息论中的转移熵方法应用于房地产市场的研究中，契合房价数据短序列的特征，丰富了非线性视角下房价关联效应的理论工具与方法。
第二，使用转移熵方法后得到的房价关联网络能够有效的体现出房价网络非线性特征。同时，在各个维度上，借助社会网络分析的手段可以量化城市房价网络的相关效应。
第三，使用“整图”训练的思想，以房价溢出网络作为输入变量，使用机器学习的方法构建房价预警模型。进一步对DMST和DPMFG的房价相关矩阵降维，使用包括决策树，逻辑回归，SVM，KNN，神经网络和集成学习的机器学习方法对房价数据进行监督训练，并分析最优的机器学习模型，为房价涨跌预警提供一种新的方法。
第3章 理论分析与研究假设
3.1房价关联效应的存在探究
在经济学领域中，房价关联效应指的是某一地区房价变动对其他地区房价产生影响的现象。这种效应通常被视为市场互动、投资者预期以及资本流动等因素的结果。理论上，房价关联效应的存在取决于多种因素，包括地理位置、经济联系、政策因素等。
首先，地理位置是房价关联效应的重要因素之一。相邻地区通常会受到彼此房价变动的影响，特别是在城市群或交通便捷的地区。当一个地区的房价上涨时，周边地区的房价往往也会受到一定程度的推动，因为人们可能会选择在周边地区购房以获得更优质或更实惠的住房选择。地理上的邻近使得房价变动在空间上具有传导性，形成了房价关联效应的基础。其次，经济联系是影响房价关联效应的另一个重要因素。不同地区之间的经济联系越密切，它们的房价变动之间的关联性可能就越强。例如，相同产业链上的城市之间可能会受到共同宏观经济因素的影响，如利率变动、就业情况等，进而导致房价变动的关联效应。此外，人口流动、城市发展规划等也会影响不同地区之间的房价关联效应。最后，政府的政策调控也可能对地区间的房价关联效应产生影响。举例来说，一些政策可能会限制投资者购买第二套房产，从而影响跨地区投资行为，进而影响地区间的房价关联。政府的房地产政策、土地供应政策等可能会直接或间接地影响不同地区的房价变动，并进而影响周边地区的房价走势。例如，一些地区可能会采取限购、限贷等调控措施，导致购房需求向周边地区转移，从而引发房价关联效应。
第5章 城市分块，户型比较与预警分析
5.1块模型分析
为研究不同城市在房价网络中的角色，本文采用凝聚子群分析的方法[74]将70个大中城市分块模型进行研究。具体做法为选择收敛标准为0.2，最大分割深度为2，将70个大中城市分为共计四个族群。表5-1展示了族群的密度矩阵与像矩阵的输出结果。密度矩阵中输出结果由子群间实际房价溢出关系数除以理论最大溢出关系数得到；像矩阵的计算方法为密度矩阵中的输出结果与上文中得到的网络密度0.384比较，若大于网络密度，则为1，反之则为0。
在研究中，我们将城市分为四个板块以探究其在全国房价波动传导中的作用。首个板块包含12个城市，分别是北京、天津、石家庄、郑州、杭州、南京、武汉、福州、合肥、无锡、厦门、上海。除合肥外，其余均位于东部地区，并且超过一半为直辖市或副省级城市。从表5-1中可见，其他板块对该板块的影响较小，但该板块不仅有着显著的内部溢出效应，还对其他板块有很强的外溢效应。这表明该板块在全国房价波动传导中扮演主导角色，是房价溢出的主要源头，因此可被称为“领导者”板块。
5.2户型与房价关联效应分析
家庭规模逐渐减小，单身族和少子化现象日益普遍，导致平均家庭人口减少，但需求套数增加。同时，家庭二胎化、三胎化趋势增强，改善型住房需求也有所增加。在这些因素中，户型的大小也成为房价关联效应中不可或缺的因素之一。故本小节将从户型视角对房价关联效应进行深入考察。
在户型传导的房价关联图中，我们使用了国家统计局公布的2013年至2023年的新建商品住宅销售价格与二手商品住宅销售价格在不同户型中的六组数据。其中小户型定义为90平米及以下，中户型定义为90至144平米，大户型则是144平米以上。采用转移熵的方法对房价数据进行处理，得到六种住房类型在不同户型下的关联矩阵。利用UCINET中的可视化工具Netdraw绘制了新建和二手住房的户型传导关系图。
第6章 研究结论与建议
6.2研究启示
基于以上研究结论，本文提出以下政策建议：
首先，应该从整体视角把握城市房价的关联效应。毫无疑问，我国住房市场呈现出明显的空间联动特征。因此，必须全面审视市场内部的房价联动关系，加强顶层设计，建立住房市场区域协同调控机制。其次，城市房价的联动关系及其多线程网络结构特征为调整房价调控政策提供了新的视角。根据前文分析，70个大中城市房价之间普遍存在空间联动关系。这种关系不仅是单个城市对单个城市的简单线性关系，而是多个城市之间多线程的复杂网络结构关系。针对点入度、点出度、中介中心度较高的城市，国家在制定房价调控政策时应有所差异化对待。一方面，应充分考虑这些城市房价波动的内生传导因素；另一方面，还应更加关注这些城市对其他城市的空间溢出效应。如果这些城市的房价能够得到定向和精准的调控，那么通过它们在房价联动网络中的引领或中介作用，可能更有效地调控其他城市的房价。其三，应探索建立房地产市场风险预警体系，关注个体市场的异常波动，密切监测“领导者”、“经纪人”和“双向引导者”板块相关城市的房价变化。及时监测关键节点城市房价的外溢效应，以防范市场系统性风险。其四，基于户型联动关系的分析能够为政府制定住房市场调控政策提供新思路。对于起“桥梁”和“中介”作用的小户型住房，政府应充分重视其房价关联效应，采取严格的调控政策，从源头上稳定住房市场。最后，鉴于房产价格形成的复杂性，直接利用城市各区的房价数据对城市自身房价进行预警可能是一种全新的思路。需要注意的是，该方法在数据获取方面存在一定的时滞性，同时数据的可得较为困难，因此需要谨慎评估该方法在不同城市的可行性。
参考文献（略）
