欧洲房地产市场价值评估的人工神经网络应用

摘要

利用人工神经网络，可以用输入数据的精度来显示不同输入的房地产价格的依赖性。它的意思是做一个预测，可以用于不同的目的(会计，销售等)，但也对建筑对象的可行性，因为销售价格预测是计算出来的。本研究的目的是建立一个基于宏观经济指标影响的欧盟国家房地产市场价值预测模型。可用的投入数据表明，宏观经济变量影响房地产价格的决定。作者试图获得正确的产出数据，以显示所观察国家的房地产市场的价格预测。

1.介绍

构建具有潜在反应和反反应(参与者或代理人)的整体模型的困难或不可能源于社会、经济和金融系统的复杂性。假定神经网络的方法具有明显的系统复杂性，通常的不可理解性和模型的一般不实用性，可以帮助模拟和鼓励观察到的经济或社会。如果一个人试图控制系统中所有可能的变量和潜在结果，并包括它们的所有动态交互作用，那么问题就会更加明显[1.］.人工神经网络和计量经济模型的应用都有各自的优缺点。然而，神经网络已经成为计量经济学方法的真正替代品，也就是说，作为评估和预测的强大工具，例如，在评估房地产领域。特别强调指出，可以找到估计值而不是精确值。

人工神经网络是一种较新的计算机工具，广泛应用于解决许多复杂的现实问题。它们的吸引力在于，产品在数据处理方面具有良好的特性，可以容忍输入数据错误，在实例上有很高的学习机会，易于适应变化，并能从概念化项目开始，通过设计项目，推广开发成功的人工神经网络的方法，推行计划[2.］.在过去的20年里，人工神经网络预测的使用导致了研究的大量增加[3.］.

各种预后模型的产生是基于人工神经网络的使用，该网络最近在许多大学中被研究为当代跨学科领域，这有助于解决使用传统方法无法解决的许多工程问题。研究的神经网络被成功使用作为相关预测的分析工具，这大大提高了各级决策质量。预测和建模中人工神经网络成功应用的常见问题与缺乏必要的数据有关 - 可用的数据是“嘈杂”或不完整的数据，以模型的数量受到多变量相互关系的管辖[4.］.另一方面，大量研究指出，使用人工神经网络获得的预测模型具有令人满意的精度，在预先进行的数值或实验研究的情况下特别有用[5.］.这些模型的使用已经在建筑中的大量应用中被探索和证明了可靠性[6.–11］.

当神经网络在不稳定的环境中显示出优越性(有效性)时，在市场复杂性增加的情况下，神经网络在科学和技术上的广泛应用对分析师、投资者和经济学家来说是可以接受的，尽管有缺点。神经网络的多学科性及其复杂性使其适合于评估市场变量，即基础的、指数化的和衍生金融工具。比较预测的不稳定获得使用神经网络包含波动的标准普尔指数期货期权和应用弯曲期货定价模型的选择,哈米德认为预测神经网络比隐含的不稳定预期和实现波动略有不同12］.

人工神经网络模型为许多工程问题提供了合理的精度，这些问题难以通过工程技术和统计方法等传统工程方法来解决[13,14］.人工神经网络在建筑行业的应用具有重要的意义和实用价值。最近的文献表明，神经网络的方法论主要用于建模不同的问题和现象在建设领域[15–20］.

人工神经网络可以直接根据观测数据建模输入和输出之间的关系。如前所述，他们能够学习、概括结果，并对可用数据高度表达的不完全性或不完全性作出反应[21]由于人工神经网络是非线性的，因此其性能优于多元分析，因此能够评估传统数学方法难以包含的主观信息。此外，神经网络的突出能力在复杂系统中尤其明显，如房地产系统和em，近年来人工神经网络被广泛用于创建房地产市场价格估算模型。许多此类模型已在科学和专业文献中发表。因此，在20世纪的最后十年，Borst为基于人工神经网络的模型设计定义了许多变量eural networks对纽约州的房地产进行了评估，证明该模型能够以90%的准确率预测房地产价格[22］.

2.材料和方法

从房地产买卖双方的角度，特别是从未来投资的角度，评估房地产的市场价值一直是当前的问题。因此，在理论和实践中，确定房地产市场价值的方法多种多样。由于房地产的市场价值受到许多因素的影响，房地产市场的估值过程是相当复杂的，总是再次流行。只确认商定的房地产价格的负面评估做法，重量较轻但不准确，可能导致估计价值偏离房地产的实际市场价值[23］.传统估算方法的一部分是从客观因素对房地产价格的影响出发，忽略了对房地产价格具有重大影响的主观因素的不可否认的影响，由于不同国家的房地产市场受各种客观和主观因素的影响，这些方法的应用不可能一概而论。基于多元回归分析的享乐主义房地产评估方法，虽然经常被用于检验新的评估方法，但其初始假设负担过重，评估不够合理[23,24］.

随着新计算机和数学建模方法的发展，开发新的房地产市场评估方法的趋势是值得注意的。即，在评估房地产市场价值的非传统方法的发展中，已经证明了人工神经网络的使用是合理的，这使得能够更客观而准确地估计市场。由于估值过程始终是自由市场经济体的问题，市场参与者通常没有完整和准确的定价信息，这就是为什么他们正在考虑各种因素和它们之间的不同关系。与其他商品的信息相比，通常更明显缺乏准确的信息，因为数据通常无法以一致的格式提供。通过这些商品的稀疏各种特征/性质，通常与特定位置相关的分析和解释是阻碍的。25］.因此，许多作者阐述了其他方法作为传统评估方法的替代，并开发了新的评估房地产市场价值的模型，这些模型能够用于类似的目的[26–28］.

人工神经网络模型的发展表明，住宅房地产市场受到不同的经济和金融环境的影响。发展这种模型的目的是，除其他外，表明所观察国家的经济和财政状况是否反映房地产市场的一般经济状况。结果表明，这些国家的经济和金融危机对房地产价格有不同的影响[29］.基于粗糙集理论和人工神经网络的方法证明是适合住宅物业价格指数的融合[29,30］.在过去的十年中，文献分析了房地产价格波动对一般经济的影响:失业、消费者对政府的信心、银行实践和社会成本。另一方面，宏观经济形势，如商业周期、就业率、收入增长、利率、通货膨胀率、贷款供应、房地产投资回报以及人口增长等其他因素，对房价产生了重大影响。

与涉及人类估计的多元回归模型的主要应用相反，人工智能模型人工神经网络的使用允许揭示建模变量之间隐藏的非线性联系。在神经网络的背景下，所谓的backpro占据了一个特殊的位置分页模型。这些神经网络包含输入和输出向量之间的一系列简单互连神经元（或节点）。Pi Ying使用反向传播神经网络作为工具，为选定城市构建房价模型[31]本文探讨了神经网络技术在房地产估价问题中应用的重要性。从神经网络模型性质的后果出发，Pi Ying得出结论，与多元回归分析相比，该模型产生了更大的预测误差。然而，通过估算大量房地产，Peterson和Flanagan发现，与线性享乐定价模型相比，人工神经网络在美元定价中产生的误差非常小，具有更高的样本外精度，并且在更不稳定的环境中有更好的外推[32］.

根据Limsombunchai（2004），HEDONICATIC成本模型和人工神经网络强调，在任何地理区域的住房市场作为单个单位的情况下，HEDONIC技术通常是不现实的。与神经网络模型相比，该模型显示出较差的样本预测结果[33]。市场不完善，加上投标刚性和质量异质性，导致房地产价格偏离基本价值。因此，在可持续偏差条件下，逆向选择问题会受到刺激，在金融自由化和繁荣-萧条周期期间，其后果（扭曲）是道德风险[30］.实证和操作框架表明，住宅房地产市场直接决定了经济增长的幅度。

欧洲的经济增长是由欧洲央行扩大刺激政策(量化宽松)支持的，这通过创建影响房地产市场的基础，增加了流动性、信心和国内消费。增长，即欧洲房价的繁荣，最近显示出连续性。如果房地产市场今年的增长速度比往年快(或低于往年)，这一趋势就可以被追踪到。因此，这是一种“变化中的变化”的措施，表明大多数住房市场正在放缓，尽管欧洲的繁荣仍在强劲地继续[34］.影响欧洲房地产市场的因素是GDP增长。在前一个十年的开始，欧盟国内生产总值增长滞后和房价之间的相关性是81%。因此，预计今后几年的经济增长将停滞不前，因此，公寓价格的上涨将受到限制。

利率作为房地产市场的另一个经济指标，取决于欧洲央行和欧盟其他中央银行的货币政策。低利率是刺激房地产市场的扩张性货币政策的结果。住宅贷款和房价之间存在相关性。房价上涨是一个矛盾受住宅贷款增长的影响，以及价格上涨的影响，居民债务与家庭可支配收入的比率正在发生变化。家庭负债以及家庭债务能力成为房价上涨的决定因素。欧盟廉价住宅的两个后果是（2015）：某些市场的房地产价格快速上涨，城市和国家之间的交易价格差异巨大[35］.

住房不仅是家庭财富的重要组成部分，也是实体经济的重要组成部分。住房建设的下降可以对金融稳定和实体经济产生负面影响(直接或间接)。此外，贷款在房地产的兴衰中扮演着重要的角色。住宅房地产业的发展对金融和宏观经济的稳定有着重大影响。宏观审慎监管当局的主要责任是分析这个市场的脆弱性。在欧盟，欧洲系统风险委员会(European Systemic Risk Board)的职责是“对欧盟内部的金融体系实施宏观审慎监管，以促进系统性风险的预防或缓解。”ESRB确定了可能成为系统性风险原因并导致严重负面后果的中期敏感性欧盟国家。基于关键指标的横向分析、风险分析、结构和制度因素分析(纵向)[36］.

本文定义了一个适用于27个欧洲国家的房地产价格估算模型。本文的研究表明，作者的假设是由人工神经网络的预测模型与影响房地产价格形成的可用因素。这些因素可以获得准确的欧洲市场房地产价格，在欧洲市场购买房地产的决策过程中具有重要的价值。

另外，在文献中有各种方法来划分或多或少影响房地产市场价格形成的因素。其中一个常见的划分是宏观环境因素(如汇率、就业、GDP、贷款利率和地理因素)和微观环境因素(主要与建筑环境有关)[37］.除了这种划分之外，还将因素划分为与房地产实际价格相关的理性因素和反映消费者预期的非理性因素[38］.同时，有分析强调了任何一个国家的基本房地产因素，包括贷款可得性、住房供应和dimet比率、利率下降、住房市场参与者预期的变化、供应的行政限制等[39］.

为了开发基于人工神经网络的欧洲房地产市场预测模型，作者提出了影响房地产市场的宏观经济因素。通过定义网络的11个输入和一个输出（房价），对人工神经网络进行训练。根据现有的经验数据，提供了27个欧盟国家的产出变量房地产价格[36以及某些作者的计算。表格1.显示模型的基本输入及其定义和基本特征。进行预收集和数据分析，为定义模型准备数据，并最终生成模型。

用于训练网络的输入和输出参数的基本特征代表253组数据，其中80%被选为网络训练集，20%被选为验证集。所有数据都从上述数据库下载。训练后，网络控制在11组数据上，而网络不在这些数据上下雨了。

房地产的市场价值受时间变化的影响，并在特定日期确定，因此该预测模型具有时间依赖性。

为了建立一个人工神经网络模型来解决这个问题，需要定义具有11个变量输入和1个输出的网络结构。网络训练采用两层神经网络，两层隐含层，隐含层中有15个神经元。

网络培训是在非电流网络上进行的，而网络培训是使用改进的反向传播将训练过程中的数据通过神经网络定期传递的算法。将得到的值与实际输出进行比较，如果有差异，则对权重系数进行校正。采用梯度下坡法对网络称重系数进行修正: 作为激活函数，使用logistic s形函数: 改善反向传播算法意味着引入一个时刻，使权值在周期内变化将取决于上一期间的变化: 选择网络训练对20%的数据进行验证。训练到验证集出现错误的时刻，使训练后的网络表现出良好的预测性能。

神经网络在MS Excel程序中训练。注意与培训课程的微小偏差。基于使用训练中使用的数据范围的输入数据的网络初始化，可以建立任何输入输出依赖关系的预测模型。

对11个没有训练网络的测试数据集进行控制预测。

3。结果与讨论

总的来说，我们的研究表明，基于人工神经网络的预测模型具有令人满意的精度。即，为本次调查目的而建立的欧盟市场房地产价格预测模型是实际价格与价格预测的平均偏差，高达14%图形1.显示了3个不同发展水平的选定国家的这种偏差。

在使用人工神经网络设计的预测模型的基础上，对欧盟国家的房地产价格进行了估计，从最初假定对产出变量有显著影响的宏观经济变量开始。在分析中考虑了与欧盟市场房地产价格相关的某一因素变化的影响，其他实际变量不变。

数字2.,3.,4.显示不同发展水平(高、中、低)的国家在GDP增长率影响下的预测房地产价格的变化。在被调查的国家中，无论发展程度如何，随着GDP增长率的提高，预测的房地产价格都有增长的趋势。理论上，在大型住房基础设施项目影响就业增长的情况下，GDP增长率可以通过增加消费显著提高房地产价格。抵押贷款支付更容易被接受，因此房地产需求上升，最终导致房地产价格上涨。一些研究涉及房地产价格变化和实际GDP变化之间的关系，或者这两个变量之间的相互依赖是否具有统计学意义。回归分析方法表明存在着相关性和依赖性，而相关性则表明这些变量之间可能存在着因果联系[40］.在OLS（普通最小二乘法）模型中，以及基于人工神经网络的应用的模型，GDP增长率被视为影响房地产价格的关键宏观经济变量之一，不同程度不同国家[29］.

数字5.,6.,7.显示受HICP影响的房地产价格预测的变化。从图中可以看出，无论国家发展程度如何，随着HICP的增加，房地产的预测价格都有上升。Burinsena、Rudzkiene和Venckauskaite等以立陶宛为例的研究表明，HICP作为衡量平均年通胀率的指标，是影响房地产市场的主要因素之一[39］.此外，一些对高度发达国家(如挪威案例)进行的研究表明，HICP的长期增长伴随着房地产价格的急剧上涨[41］.

数字8.,9,10显示不同发展水平国家在失业率影响下预测的房地产价格变化。调查国家的数据显示，随着失业率的上升，房地产价格预计将明显下降。从理论上讲，主流观点是，低失业率导致收入增加，影响消费者信心的增加，这种信心体现在房地产市场上，鼓励房地产价格上涨，反之亦然。早期关于经济变量对房地产价格动态影响的实证研究表明，失业的增长会降低房地产价格[42，正如我们的预后模型也指出的那样。最近的一些实证研究指出，失业率作为一个宏观经济因素，对房地产价格有不可否认的影响。失业率对房地产价格的影响因国而异。其中一项研究表明，法国、希腊、挪威和波兰的房地产价格在统计上与失业显著相关[43］.此外，有关爱尔兰的研究证明，在失业率较低的情况下，房地产价格往往会上涨[44］.

数字11,12,13显示不同发展水平(高、中、低发达)国家在平均年度净利润影响下的房地产价格预测变化。在观察的国家中，紧随年均净利润增长之后的是产出变量——房地产价格的增长。过去几十年的实证研究表明，收入(收入)增长率是房地产价格增长的一个基本决定因素。因此，在高度发达的国家，在较低的利率和较慢的贷款条件下，收入增长(收入)被认为是房地产价格迅速上涨的一个关键因素[45］.某些模型，如P-W模型，表明房价是周期性失业率、收入、人口统计、购房融资成本和建筑材料成本的函数[46］.

4.结论

房地产市场的经济和社会重要性与整体经济发展相对应，但住房部门也可能是脆弱性和危机的原因。因此，由于大量变量的影响，如宏观经济、建筑和其他因素，房地产价值的估计问题始终是当前和复杂的。与传统的房地产估价方法不同，房地产市场价格评估的新方法已经出现。除了过去几十年的享乐方法外，还开发了提供更客观和准确估计的人工神经网络模型。本文提出了一个基于人工神经网络的欧盟国家房地产市场价格预测模型。

对于一个具有约85%的可靠性的粗略和快速的估计，可以使用经过训练的神经网络，我们认为所获得的可靠性水平非常高，它是关于社会技术系统的建模，如果包含更大的输入参数集，则可以获得更精确的定价和可靠的信息。D

结果表明，神经网络可以模拟输入变量的非线性行为，并概括了网络训练范围内随机输入的房地产价格数据。该模型显示出令人满意的预测精度，可确保其适用性的可能性。

的利益冲突

作者声明本文的发表不存在利益冲突。

参考文献

1. “竞争性神经网络的商业应用”，国际商业杂志，第10卷，第5期。4、2005。视图:谷歌学者
2. I.A.Basheer和M.Hajmeer，“人工神经网络：基础、计算、设计和应用，”微生物学方法杂志，卷。43，不。1，pp。3-31,2000。视图:出版商网站|谷歌学者
3. G.Zhang，B.E.Patuwo和M.Y.Hu，“人工神经网络预测：最新技术，”国际预测杂志，第14卷，第1期，第35-62页，1998年。视图:出版商网站|谷歌学者
4. A. W. C. Oreta和K. Kawashima，“圆形混凝土柱侧限抗压强度和应变的神经网络建模”，结构工程学报，第129卷，第4期，第554-5612003页。视图:出版商网站|谷歌学者
5. M. Lazarevska，M.Naežević，M.Cvetkovska和A. Trombeva-Gavriloska，“人工神经网络在土木工程中的应用”技术宪报，第21卷，第6期，第1353-1359页，2014年。视图:谷歌学者
6. M.Lazarevska、M.Kneževiá、M.Cvetkovska、N.Ivaniševič、T.Samardzioska和A.Trombeva Gavriloska，“钢筋混凝土柱耐火预测模型，”Gradjevinar号，第64卷。7, pp. 565-571, 2012。视图:谷歌学者
7. D. Bojović， D. Jevtić，和M. Knežević，“神经网络在混凝土抗压强度测定中的应用”，罗马尼亚材料杂志，第42卷，第2期1，第16-22页，2012。视图:谷歌学者
8. B.Šćepanović，M.Noežević和D.Lučić，“偏心贴片钢I-梁的最终负荷的测定方法”，de la Construcción获悉，第66卷，第1期，第1-13页，2014年。视图:出版商网站|谷歌学者
9. M. Knežević， M. Lazarevska, M. Cvetkovska, A. Trombeva-Gavriloska，和M. Milanović，“基于神经网络的预测中心加载复合材料柱的防火性能的方法”，技术宪报，第23卷，第5期，2016年。视图:谷歌学者
10. M. Knežević， D. Bojović， D. Nikolić， K. Jovanović，和L. Lončar，“夹气对混凝土抗压强度的影响——神经网络方法和经典研究”，刊于第14届国际DGKM国际研讨会的诉讼程序，第69-74页，斯特鲁加，马其顿，2011。视图:谷歌学者
11. M. Lazarevska, M. Knežević，和M. Cvetkovska，“人工神经网络在钢筋混凝土柱耐火预测建模中的应用”，应用力学与材料， vol. 148-149, pp. 856-861, 2011。视图:谷歌学者
12. S. A. Hamid，“使用神经网络预测市场变量入门”，出版南新罕布什尔大学商学院会议记录, 2004年。视图:谷歌学者
13. I. Flood，“用神经网络模拟施工过程”，在第七届建筑自动化与机器人技术国际研讨会论文集，PP。1990年6月374-382，布里斯托尔，英国。视图:出版商网站|谷歌学者
14. 郑淑珍、查达、布鲁门斯坦，“神经网络在土木工程问题中的应用”，载互联网、处理、系统和跨学科研究进展国际会议论文集, 2003年。视图:谷歌学者
15. A.Mukherjee和J.M.Deshpande，“使用人工神经网络对初始设计过程建模，”土木工程计算学报，第9卷，第5期。3，第194-200页，1995。视图:出版商网站|谷歌学者
16. M. A. Shahin，H. R. Maier和M. B. Jaksa，“使用神经网络预测浅层基础的解决，”岩土与环境工程学报，第128卷，第128号9，页785-793,2002。视图:出版商网站|谷歌学者
17. A. Sanad和M. P. Saka，“利用神经网络预测钢筋混凝土深梁的极限抗剪强度”，结构工程学报，卷。127，没有。7，pp。818-828,2001。视图:出版商网站|谷歌学者
18. 参见“非线性水文关系的神经网络建模”，水文与地球系统科学，第11卷，第5期，第1563-1579页，2007年。视图:出版商网站|谷歌学者
19. A. M. Elazouni, I. A. Nosair, Y. A. Mohieldin和A. G. Mohamed，《利用神经网络估算概念设计阶段的资源需求》，土木工程计算学报，第11卷，第5期。4，第217-223页，1997。视图:出版商网站|谷歌学者
20. j·谢,肯尼迪。邱伟，李建文。“神经网络模型在中国东部地震预测中的应用”，智能与软计算的进展，卷。106，pp.79-84，2011。视图:出版商网站|谷歌学者
21. J. Shaw，《神经网络资源指南》，人工智能专家，第8卷，第2期，第48-541992页。视图:谷歌学者
22. R.A.Borst，“人工神经网络：评估社区的下一个建模/校准技术？”房产税杂志，第10卷，第5期。1，pp。69-94,1991。视图:谷歌学者
23. M.Mattos、P.Simoes、E.Zancam、N.Ferreira和C.Cechinel，“房地产价值预测的神经模糊方法”，年第35届拉丁美洲信息会议论文集(CLEI’08), 2008.视图:谷歌学者
24. D.Fischer和P.P.Lai，“人工神经网络和计算机辅助质量评估”，年环太平洋房地产协会第十二届年会论文集(PRRES '06)2006年1月，新西兰奥克兰。视图:谷歌学者
25. C. Bagnoli和H.C.Smith，“Fuzzi Logic理论及其在房地产估值中的应用”，房地产研究杂志，第16卷，第2期，1998年。视图:谷歌学者
26. H.Kusan、O.Autekin和I.Ozdemir，“模糊逻辑在预测房屋销售价格中的应用，”专家系统应用，第37卷，第2期3, 2010。视图:谷歌学者
27. Ş。Yalpir和G. Özkan，“城市地区住宅房地产估价的模糊逻辑方法和多元回归，”科研与论文，第6卷，第12期，第2431-24362011页。视图:谷歌学者
28. J. Zurada，《房产价值评估的非传统方法》，应用商业研究杂志，第22卷，第3期，2006年。视图:谷歌学者
29. M. Renigier-Bilozor和R. Wisniewski，《欧洲宏观经济因素对住宅价格指数的影响》，XLI Incontro di Studio del Ce.S.E.T，第149-166页，2013。视图:谷歌学者
30. R. Wisniewski，“使用猪、欧洲八国集团和波兰的人工神经网络委员会对住宅房地产价格指数建模”，经济论证， vol. 1, no. 138岁的2017人。视图:谷歌学者
31. 李丕英，《大众评估模型分析》，载第二十三届泛太平洋评估师、估价师和顾问大会论文集，旧金山，加利福尼亚，美国，2006。视图:谷歌学者
32. S.Peterson和A.B.Flanagan，“大规模房地产评估中的神经网络特征定价模型，”房地产研究杂志第31卷第1期2，第147-164页，2009。视图:谷歌学者
33. “房屋价格预测:享乐价格模型与人工神经网络的比较”，载《经济研究》NZARES会议记录， 2004年6月，新西兰布伦海姆。视图:谷歌学者
34. 欧洲系统性风险委员会，“欧盟住宅房地产行业的脆弱性”，欧洲金融监管体系，2016年，https://www.esrb.europa.eu/pub/pdf/reports/161128_vulnerabilities_eu_residential_real_estate_sector.en.pdf.视图:谷歌学者
35. 《全球物业指南》《住宅物业投资研究》http://www.globalpropertyguide.com/.视图:谷歌学者
36. 德勤，“欧洲住宅市场的房地产指数概述”，德勤捷克共和国，2016，https://www2.deloitte.com/content/dam/Deloitte/cz/Documents/survey/Property_Index_2016_EN.pdf.视图:谷歌学者
37. S. Vanichvatana，《泰国房地产市场周期:1997年经济危机案例研究》，GH银行住房日报，第一卷，第一期，第38-47页，2007年。视图:谷歌学者
38. V. Rudzkienė和V. Azbainis，“Nekilnojamo turto rinkos evoliucijos pokyčiai pereinamosios ekonomikos sąlygomis，”在商业，管理和教育会议程序的会议记录2010年11月，维尔纽斯Gediminas工业大学。视图:谷歌学者
39. M. Burinskiene, V. Rudzkiene, J. Venckauskaite，《影响房地产价格的因素模型》，载于第八届国际环境工程会议录，立陶宛维尔纽斯Gediminas技术大学，2001年5月。视图:谷歌学者
40. R. M. Valadez，《房地产泡沫和美国GDP:相关性视角》，商业和经济案例研究杂志，第3卷，文章编号10490,2010。视图:谷歌学者
41. I. Johansen和R. Nygaard，“挪威HICP中的自住住房”，技术代表2009/18，挪威统计局，挪威奥斯陆，2009。视图:谷歌学者
42. J.Clapp和C.Giacotto，“经济变量对房价动态的影响，”城市经济学杂志，卷。36，PP。116-183,1993。视图:谷歌学者
43. B. Grum和D. K. Govekarb，《不同文化环境下宏观经济因素对房地产价格的影响:以斯洛文尼亚、希腊、法国、波兰和挪威为例》，经济与金融，第39卷，第597-604页，2016。视图:出版商网站|谷歌学者
44. M. Mernagh，《房价与失业:关联财富的故事》，《经济与商业意义》，英国皇家统计学会和美国统计学会，2014年。视图:谷歌学者
45. K.Sommer、P.Sullivan和R.Verbruge，“房价租金比上升：基本面能解释多少？”劳工统计局，工作文件4411911。视图:谷歌学者
46. J. Peek和J. A. Wilcox，“婴儿潮”，“被压抑的需求和未来的房价”，住房经济学杂志，第1卷，第4期，第347-367页，1991年。视图:出版商网站|谷歌学者

版权

版权所有©2018 Jasmina Ćetković等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。