用数据反驳专家学者的房价坚挺论

   最近房市都成这个样子了,不少所谓的专家学者还在鼓吹现在刚需有多大,房价还大有上涨的空间,说实话我听得都快吐了。反正今天也不是很忙,决定通过人口的数据来分析下刚需房的数量,进而以小见大,判断下未来房市的走向。

首先我们得进行一些条件上的判定,对于投资房子的、或者说自己的老房子住的久想换新房子的这种类型,完全是家庭个人的随机偶发事件,通过人口数据能以推导,故在这里不予讨论。能够通过人口推导的,就是结婚住房了。现在中国的丈母娘啊,首先问车房,反正没房想娶老婆那真是蜀道难难于上青天,要是碰到个没房还愿意嫁给你的姑娘,你就娶了吧,必须是真爱啊!一般男性什么时候开始结婚呢?我看了下身边在城市生活的朋友们,从25岁开始到30岁基本上就陆续结婚了,30岁之后结婚的就开始少了,在百度搜索“买房年龄分布”可以看出25-30岁成为了刚需房的主力军,30岁之后买房的人的数量急剧减少,这和中国目前“过了30岁就成了剩男剩女”的心理是有很大关系的。而25-30岁的人群中,从25岁开始买房的人数逐步上升,在27、28岁左右是买房结婚的高峰期,从此时QQ空间、微信朋友圈里晒孩子的人员数可以看出;28岁之后到30岁买房的人又开始减少,因为绝大多数人已经结婚了,没结婚的人也会赶在30岁之前找个媳妇老公(我妈给我的命令是30岁还不结婚她就给我做主了);30-34岁买房的人就急速下滑了。


年龄


买房系数


25


0.4


26


0.55


27


0.6


28


0.6


29


0.55


30


0.4


31


0.2


32


0.1


33


0.05


34


0.05

        表一:不同年龄人群买房系数

图一:买房系数曲线图

再来看一组数据,从1976-2012年我国人口的出生率、死亡率、自然增长率和年末总人口:


年份


出生率


死亡率


自然增长率


年末总人口(万)


1967


33.96


8.43


25.53


76368


1968


35.59


8.21


27.38


78534


1969


34.11


8.03


26.08


80671


1970


33.43


7.6


25.83


82992


1971


30.65


7.32


23.33


85229


1972


29.77


7.61


22.16


87177


1973


27.93


7.04


20.89


89211


1974


24.82


7.34


17.48


90859


1975


23.01


7.32


15.69


92420


1976


19.91


7.25


12.66


93717


1977


18.93


6.87


12.06


94974


1978


18.25


6.25


12


96259


1979


17.82


6.21


11.61


97542


1980


18.21


6.34


11.87


98705


1981


20.91


6.36


14.55


100072


1982


22.28


6.6


15.68


101654


1983


20.19


6.9


13.29


103008


1984


19.9


6.82


13.08


104357


1985


21.04


6.78


14.26


105851


1986


22.43


6.86


15.57


107507


1987


23.33


6.72


16.61


109300


1988


22.37


6.64


15.73


111026


1989


21.58


6.54


15.04


112704


1990


21.06


6.67


14.39


114333


1991


19.68


6.7


12.98


115823


1992


18.24


6.64


11.6


117171


1993


18.09


6.64


11.45


118517


1994


17.7


6.49


11.21


119850


1995


17.12


6.57


10.55


121121


1996


16.98


6.56


10.42


122389


1997


16.57


6.51


10.06


123626


1998


15.64


6.5


9.14


124761


1999


14.64


6.46


8.18


125786


2000


14.03


6.45


7.58


126743


2001


13.38


6.43


6.95


127627


2002


12.86


6.41


6.45


128453


2003


12.41


6.4


6.01


129227


2004


12.29


6.42


5.87


129988


2005


12.4


6.51


5.89


130756


2006


12.09


6.81


5.28


131448


2007


12.1


6.93


5.17


132129


2008


12.14


7.06


5.08


132802


2009


11.95


7.08


4.87


133450


2010


11.9


7.11


4.79


134091


2011


11.93


7.14


4.79


134735


2012


12.1


7.15


4.95


135404

表二:1967-2012年中国人口表

虽然目前中国的男女出生比例略微失衡,但总体上还是1:1的。计算每一年出生的人口数量,除以2得到当年出生的男孩数量。从2000年起,1967年出生的男孩已经34岁,1976年出生的25岁,结合表一中不同年龄阶段的买房分布,那么2000年刚需房的数量可计算为:

∑p(year)/2*f(age)/(∑f(age)),其中year∈[1967,1976],age∈[25,34],age与year对应

p(year)代表当前新出生的男孩数量,计算公式为:

当年年末总人口(万)* 出生率/(1000*2),除以1000是因为出生率是千分之一为单位,除以2是男女各占一半。f(age)见表1

由此计算出2000-2036年刚需房子的数量,制成二维曲线图如下:

从图中可见,刚需房数量从2005年开始有一个较强的上升期,这也和我们映像中2004、2005年房价开始上涨的时间吻合;在2014、2015年达到一个平稳的峰值,这也符合当前房市放缓、开始有下跌趋势的情况;那么可以看出过了2015年,由于出生率放缓导致的适龄男孩减少的情况开始显现,刚需房的数量稳步下跌,房价已经不可能再坚挺;在2032年开始达到一个稳定的水平,中国房市通过刚需房绑架普通消费者的时代将成为历史。

时间: 2024-10-25 11:55:16

用数据反驳专家学者的房价坚挺论的相关文章

未来房价经济管窥

未来房价经济管窥 这世上之物,凡买得来的,其价格所定无外乎供需.房价也不例外,只不过,细分下来,供需却不是那么简单.首先,说需求,需求有弹性需求,非弹性需求(也就是所谓的刚需),正当消费需求,投资投机需求等.供给则分市场供给,政府保障供给,正当供给,诱惑供给等.很多人打口水战时大谈供需,其实很多时候所指并不清晰,大家空费精神而已. 要知道,市场从来就充满了欺行霸市,强买强卖,囤积居奇等丑陋行为,当这些发生时,市场调节是无效的,所以,希望按照课本,以纯萃市场经济理论解释房价现象的朋友们就别再看下去

(4)模型和数据

(1)MVC 和 命名空间 var User = { getData:function(){ //$ajax get data } }; User.getData(); 用模型的属性保存至命名空间的做法可以足球报不会产生冲突,但是我们写成一个类的形式去使用,而不是一个简单的对象 var User = function(){}; User.prototype.destory = function(){}; var user = new User(); user.destory(); (2)构建对象

9月底房贷放松后楼市升温 明年房价或将止跌

9月底房贷放松后楼市升温 明年房价或将止跌 理财新闻京华时报[微博]2014-10-25 07:10 我要分享 4 [摘要]虽然9月房价环比下降城市继续增加,但降幅相比8月份有所收窄.70个大中城市新房价格环比综合平均降幅比8月份收窄0.2个百分点. 9月70城新房价停涨 但9月底房贷放松后楼市升温明年房价或将止跌 昨天,国家统计局发布了9月份70个大中城市住宅销售价格统计数据,70个大中城市新建商品住宅价格环比全部停涨,70个大中城市二手住宅价格也环比全部下降.具体到北京,9月新房价格环比下降

国信优易CEO王亚松参加大数据国家级智库筹建研讨会

近日,大数据国家级智库筹建研讨会在2016中国大数据产业峰会暨中国电子商务创新发展峰会(简称"数博会")期间举行.研讨会由电子科技大学大数据研究中心主任.国信优易首席科学家周涛主持.来自国家信息中心.四川省.沈阳市.成都市等政府相关领导.大数据领域专家学者出席本次研讨会,他们分别是国家信息中心常务副主任杜平,国家发改委电子政务工程中心副主任徐枫,中国工程院院士.国家信息化专家咨询委员会委员沈昌祥,中国科学院院士.北京大学.普林斯顿大学教授鄂维南,金杜律师事务所合伙人.金杜律师事务所管委

机器学习之路:python支持向量机回归SVR 预测波士顿地区房价

python3 学习使用api 支持向量机的两种核函数模型进行预测 git: https://github.com/linyi0604/MachineLearning from sklearn.datasets import load_boston from sklearn.cross_validation import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.svm impor

贝叶斯网(2)Netica:从数据中学习CPT

1. 离散节点 在官方Tutorial中是有详细的案例的,就是B篇3.3节,你可以动手把天气预报这个实现一下: http://www.norsys.com/tutorials/netica/secB/tut_B3.htm#LearningProbTables 2. 连续节点 假如我想输入的不是离散的状态,而是连续的数值,则不能像上一个案例一样做了. *  离散状态:难,易:阴,晴,雨:是,否--这些都是多选一问题,天气只能是"阴,晴,雨"三选一,课程难度只有"难,易"

房价预测

--数据来源kaggle比赛 本文仅就学习的机器学习算法进行简单的实践.  一.问题及数据导入 显然,目的肯定是根据现有的数据,来对房价进行预测了,本数据变量较多,这里不再一一叙述,官网下载的数据又对变量进行描述. 首先导入基本的库 1 import numpy as np 2 import pandas as pd 接下来导入数据 1 train=pd.read_csv('train.csv') 2 test=pd.read_csv('test.csv') 简单的查看下数据 1 train.s

基础班第二天

<style type="text/css"> body{ width:1000px; border:2px solid #ccc; margin:20px auto; } img{margin-top:0; border:2px solid #ccc; } h2{ width:1000px; margin:10px auto; } p{ text-indent:2em; color:#313131; } a{ text-decoration:none; } div{ di

任何人都能看懂的TensorFlow介绍

本文经机器之心(微信公众号:almosthuman2014)授权转载,禁止二次转载 原文链接:任何人都能看懂的TensorFlow介绍 深度 | 机器学习敲门砖:任何人都能看懂的TensorFlow介绍 2016-08-21 机器之心 选自 kdnuggets 作者:Soon Hin Khor 机器之心编译 参与:Rick.吴攀.李亚洲 本文是日本东京 TensorFlow 聚会联合组织者 Hin Khor 所写的 TensorFlow 系列介绍文章的前两部分,自称给出了关于 TensorFlo