南昌市住宅商品房价格影响因素分析及预测

表3KMO值判别结果可判断实验数据是否适合作主成分分析，以图表的形式展示可以更直观的判断。在进行主成分分析前，首先需要进行KMO检验与巴特利球体检验，在进行主成分分析时，如果原假设被拒绝，便可以继续进行主成分分析；然而如果原假设没有被拒绝，那极有可能是各个变量趋向提供相互分离的信息，这种情况就不太适合去做主成分分析。KMO值检验与巴特利球体检验共同检测是否适合主成分分析的情况可制作成表格，以便清晰直观地查看。表SEQ表\*ARABIC4适用性检验检测类别值的范围主成分分析适合情况大于0.9非常适合0.8-0.9很适合0.7-0.8适合KMO值0.6-0.7勉强适合0.5-0.6不太适合小于0.5不适合BartlettP值小于或者等于0.01适合REF_Ref195626157\h表4适用性检验为后续方法是否适合做主成分分析提供依据。多元线性回归模型多元线性回归模型的基本构架涉及几个层面，首先假定自变量和因变量具备某种因果联系被认定；其次需要将因变量视为连续型数据类型；同时要保证各给定变量对于因变量而言呈线性关系趋势；而残差方面的要求同样严格即方差应符合正态分布特征、彼此独立并且保持均一性质，倘若碰到多重共线性的问题时，一般会通过使用特定的正规化技巧形式解决掉，例如岭回归或者套索回归就时常用于此类问题当中。多元线性回归模型的一般形式：设随机变量γ与一般变量x1，x2，γ=β0式中β0，β1，βp，...,是p+1个未知参数，β0称为回归常数，β1，...βp,称为回归系数。γ称为被解释变量（因变量），x1,...影响房价的因素过于复杂，国内外不少学者做过相关文献的整理分析工作，并通常将其归为经济、供给、需求、政策、利率、财政以及城市这几大类，但由于牵涉的影响因素实在繁杂，本文仅选取了供给、需求和经济这三个类别为主要研究对象，这三个方面被认为相对具有代表性并且能够集中体现核心问题，最终确立了9个指标来具体展开对房价影响机制的探讨，这些指标的详细意义和代码可在表2中找到。表SEQ表\*ARABIC5影响房价的相关指标指标类别指标名称表示符号单位供给因素房地产开发住宅投资额X1亿元房地产开发企业住宅竣工房屋面积X2万平方米城镇人均可支配收入X3元需求因素年末户籍人口X4万人住户存款余额X5亿元人均公园绿地面积X6平方米GDPX7亿元经济因素地方一般公共预算收入X8亿元CPIX9%REF_Ref195626225\h表5影响房价的相关指标为影响房价因素的9个变量，最终用于相关性分析、主成分分析中。数据来源2002年至2023年期间，南昌市住宅商品房平均销售价格、房地产开发企业对住宅的投资额、住宅竣工房屋面积等数据皆由中国统计局提供，而城镇人均可支配收入及住户存款余额方面的数据则是南昌市统计局提供的内容，年末户籍人口、人均公园绿地面积、GDP、地方一般公共预算收入以及CPI等有关信息均来自南昌市统计年鉴网站，这些数据堆砌出研究南昌市房地产发展的基础依据，出处彼此相融却又互为补充信息片段，共同服务于后续的研究分析工作。结果分析相关性分析热力图可以直观的展现变量之间的关系，将相关数据以二维图的方式显示，可以帮助我们理解复杂的结构关系。图SEQ图\*ARABIC2相关热力图REF_Ref195626266\h图2相关热力图中蓝色表示正相关性，颜色越深代表正相关程度越高，红色代表负相关性，颜色越深，则代表负相关程度越高。为摸索各个变量和南昌市住宅商品房房价y以及其他变量之间的关联密切程度，借助R软件展开了相关性分析，如此一来各变量间的相关系数就被获得，并且相关系数矩阵这个结果也被制作了出来。表SEQ表\*ARABIC6影响南昌市房价各项指标数据的相关系数矩阵X1X2X3X4X5X6X7X8X9X11.000.700.930.890.830.840.920.94-0.07X20.701.000.580.700.450.550.560.640.21X30.930.581.000.940.970.920.990.97-0.05X40.890.700.941.000.870.930.940.940.11X50.830.450.970.871.000.850.970.90-0.08X60.840.550.920.930.851.000.930.95-0.003X70.920.560.990.940.970.931.000.97-0.05X80.940.640.970.940.900.950.971.00-0.05X9-0.070.21-0.050.11-0.08-0.003-0.05-0.051.00查看REF_Ref195626311\h表6影响南昌市房价各项指标数据的相关系数矩阵后能够看出，x1与x3、x3与x5、x7与x8之间存在着明显的正向关联，这表明变量之间的信息确实有重复之处，采用主成分分析法便显得比较恰当，但诸如x9这样的变量却不太符合这种情况，因它与其他变量的联系十分微弱，例如其和x1的相关系数只有约-0.07，按照剔除标准，是满足被排除条件的。经由相关性分析对变量展开初步筛选过程中，发现x9同其余变量间的相关性程度极低，便被舍弃，并且具有冗余性质的x4与x6也一并去除，留下来的变量是x1、x2、x3、x5、x7以及x8，这些变量最终保存下来以便于后续研究。初步筛选后，利用R软件计算变量间相关系数并构建相关系数矩阵。表SEQ表\*ARABIC7筛选变量后的相关系数矩阵yX1X2X3X5X7y1.000.940.620.990.950.99X10.941.000.700.930.830.92X20.620.701.000.580.450.56X50.950.830.450.971.000.97X70.990.920.561.000.971.00REF_Ref195626347\h表7筛选变量后的相关系数矩阵所呈现出的经变量筛选后的相关系数矩阵清晰地表明，X3与X7和y的相关系数竟然皆为0.99，这无疑暗示着这两个变量与房价之间呈现高度正向关系，很可能成为左右房价变化的关键要素，再看X8与y其相关系数达到0.97，X1与y则为0.94，同时X5与y之间的相关系数亦有0.95，同样展现出强烈的正相关性，也就是说这些变量对房价的影响力度颇为显著。细致分析后注意到，X3和X7之间相关系数竟然恰好为1.00，此外X3同X1相关时系数为0.93，而X7相较于X1的相关系数亦显示出了0.92这一较高的数值水平，因此这类变量间存在十分强的线性联系便不言而喻，因此后续进行研究深入探究时，务必小心模型建立过程中多重共线性可能带来的影响隐患问题，从而考虑采用主成分分析办法加以减低维度操作处置。主成分分析与回归分析把有关的数据指标输入到R软件里进行了KMO与Bartlett’s球体检验，结果表明KMO值为0.56，有点儿低于0.6这个基准线，然而Bartlett球形检验所获得的统计量结果为327.72，其对应的p值为9.460262e-61，显而易见小于0.01，并且远低于这一数值水准，这说明各个变量之间的确存在相关性，在这种状况下能够认为这些变量拥有某些共有的因子，尽管KMO值偏低，可依旧可以试着采用主成分分析方法来进行操作。主成分分析期间，碎石图是确定提取主成分个数的一个关键性工具，其主要被赋予了使用可视化方式去判断保留哪些具备统计学意义的主成分这一使命，故而在采用R软件时碎石图便成为了进行绘制操作的一项内容。图SEQ图\*ARABIC3碎石图REF_Ref195626375\h图3碎石图展示，第一个主成分在方差贡献率方面的表现极为抢眼，贡献率达到86.2%，这与其余各成分形成了显而易见的差异，由此可见它成功汇总了来自原始变量的大批信息，并作为房价分析的关键综合性指标显露了出来，它的背后很可能反映了若干相关联程度较高的变量内容。自第二个主成分开始，下降趋势显现出来，该成分为12.6%，而在它之后，那些新生成分在原有基础上所承载的具体信息更加微弱，对于总体变异状态可做出解释的空间也随之缩紧了不少，事情的发展说明随着主成分编号增长，每个生成部分都越发稀薄了其包含的独特原始信息，整体解析效应也逐步减弱下来。实际开展的研究过程中，往往需要把累计方差贡献率达到85%以上的主成分筛选出来REF_Ref23296\r\h[14]，查看此图便能明确得知，前两个主成分加总的方差贡献率已完全达到所设定的标准，仅保留头两个重要组成成分就不仅能覆盖绝大多数初始数据资料的内容，并且相关连的一些因素也能变成毫无互相关联的情形，这样的话多重共线性问题也就得到了很好解决，从而让模型结构得以简单明。在此种情况下继续实施房价预计任务时，不但准确方面和稳定方面的效率可以被有效提高，在深度探讨影响房价的因素层面也将更加得顺理成章，数次的实验与各种实践表明这类处理方式非常行之有效，手段也不失为一种简明务实的策略选择之一。主成分载荷可用以对主成分的意义进行解读，其重要的点在于可反映每个变量对主成分所产生影响的大小程度，这样一来，采用R软件计算各个变量于两个主成分上的载荷值并据此建立主成分载荷矩阵，就能比较直观地表现出每个变量在第一主成分以及第二主成分内的贡献状态。表SEQ表\*ARABIC8主成分载荷矩阵PC1PC2X10.960.10X20.680.72X30.99-0.13X50.93-0.29X70.99-0.16X80.98-0.02REF_Ref195626413\h表8主成分载荷矩阵所展示的主成分载荷矩阵内，x1、x3、x5、x7、x8在第一主成分（PC1）上显示出超过0.93的高载荷值，由此可知它们与该成分之间的关联性极强，代表的内容涵盖了经济和需求类的因素，产业发展程度和市场活跃度都通过这被综合反映，因此第一主成分命名成“经济与需求综合因子”，以便揭示其是房价变动的关键因素。对于x2而言，在第二主成分（PC2）上的数值呈现出较高的情况，达至0.72，并显著优于其他参数，然而在首类主组成部分仅为0.68左右，表示针对PC2更具有解释作用，这种情况表达的含义在于供应相关的问题“供给结构因子”便作为对这一指标的称呼而呈现，在揭示房地产成本中的调节性质上有着一定的作用存在。主成分分析完成后，“经济与需求综合因子”（PC1）和“供给结构因子”（PC2）被从诸多房价影响因素中提炼出来，这一操作实现了数据维度的降低，原始变量的多重共线性问题也得到了应对，在此之上构建回归模型，便能更清晰地展现核心综合因子针对房价的具体作用效应，模型的解释力与稳定性有望得以提升，使用PC1、PC2充当自变量，将房价y作为因变量来进行多元线性回归分析的操作就得到落实。对回归结果进行解读后，该假设得到了进一步验证，“经济需求驱动房价上涨，而供给增加会对房价产生抑制作用”，于是通过R软件计算得出回归系数，同时制作了相关表格以供参考使用。表SEQ表\*ARABIC9回归模型变量系数t值p值(Intercept)6091.5374.31<0.001PC11329.9236.90<0.001PC2-293.29-2.910.009R²0.968REF_Ref195626585\h表9回归模型的回归分析结果展示了0.968的R²值，意味着自变量PC1代表的“经济与需求综合因子”以及PC2表明的“供给结构因子”，在房价这一因变量上表现出较强的解释能力，其比率接近98.6%，此种情况说明二者对于把握房价值波动的核心趋势有着不错的作用，总体上模型的拟合优度得到了较好的体现。再看其中细节数据，PC1这项“经济与需求综合因子”的系数落在1329.92且伴随p<0.001的现象，暗示了一个单位的增长会促使房价随之增涨约1329.92元/平方米的程度；PC2系数则呈现-293.29，伴随0.009的p值状态，似乎暗含供给端市场出现饱和苗头可能施加于房价的消极影响倾向，显示出对房价存在负面拉拽的迹象方向。南昌市住宅商品房价格预测本章主要内容涵盖数据整理与平稳性检验、ARIMA模型的构建及房价预测结果的分析，这里属于文章的关键章节之一，在这一环节着重采用ARIMA模型对南昌市从2024年至2026年的房价进行预测工作，短期预报的实际应用价值一目了然，同时也为政策设计者和市场参与者提供了显著的数据支撑意义，研究的实践作用从中得以显现出一定的价值。ARIMA模型原理ARIMA模型带来了针对时间序列数据的建模途径，当面临大规模数据集时也能利用起来，其根据数据自有的特点来施行操作，若想处理特定的时序难题，就得选定适配的参数，也就是说该模型借助数据的自相关性以及差分手段探寻掩藏在数据背后的时序模式，而后将这些模式用于对未来数据进行预测：将自回归模型、差分过程与移动平均模型三个部分融合起来，ARIMA模型既能捕获数据的趋势变化，又可对具临时性、突发性或者含噪声的数据进行处理，这种情况在不少时间序列预测问题里都表现出较为良好的性能。检查平稳性旨在确认时间序列数据的分布特性是否会随时间和地点显著变化，只有稳定的概率分布才符合平稳的标准，平稳性测试可识别出序列里的时间趋势与季节成分，为后续理性分析和预测铺路，因其对时间序列分析非常重要，可以防止趋势和季节性因素对最终结果造成显著影响，即便在较长时期内，某些序列看似彼此毫无关联，像是纯随机现象，但实际未必如此，需要通过检验验证平稳属性，本文在对应的内容板块采用的平稳性检测法是ADF检验。图SEQ图\*ARABIC4ADF检验部分代码REF_Ref195626675\h图4ADF检验部分代码使用了R软件的某些程序进行展示，平稳性检测采用的是ADF方法，得到的p值为0.2766，这一数值相较常见显著性水平（如0.05）更高，暗示原始序列并未表现出平稳状态，类似的波动可能是因为包含某种趋向或是非平稳特征导致的，如果不加调整就直接构建模型，ARIMA的要求将被打破。针对情况处理方案，在ARIMA框架下的首项工作是一阶差分操作，这一步通过减掉前后续值的方式去除可能存在的趋势成分，进而将序列完成平稳化的转化调整过程。建立ARIMA模型模型参数确定（p,d,q）通过ADF检验发现原本的序列是非平稳的时候，就需要施行一阶差分处理，因此参数d被定为1。在使用R软件实施数据挖掘后，最终的结果显示p等于0，q也同样是0，于是模型的模样定格成为了ARIMA(0,1,0)，选择这一配置的原因主要在于考量了AIC指标，在对比权衡不同手段后选择了当前的最优解这里面，AIC值较低的情况下能够使得模拟能量和复杂程度得到相对均衡的一个数值之前的320.84即是一个例子说明在特定框架下，该工具相比而言可以简明易通地体现和概括许多有用的关键细节。模型拟合效果评估表SEQ表\*ARABIC10误差分析误差指标数值RE0.0545RMSE446.63MAE340.43MPE-0.725MAPE5.58MASE0.65ACF1-0.039REF_Ref195626707\h表10误差分析情况如下，平均误差ME数值达到0.0545，差不多为零，说明整体上偏差并不十分显眼；预测误差的标准差RMSE用以展现误差变动的范围；MASE值产生的数据为0.6507，这是一个已标准化的误差指标，低于1的结果是表明当前所使用模型和基准模型相比表现略优越的情况；再考虑到AFC1测量值定格于-0.0386，它提示残差之间在一阶关联中接近零水平，并不存在明显联系，将其滞后一期观察时也没有表现出显著相关联迹象的情况可知，在处理时间序列短期依存问题时模型效果颇为良好，同时由于残差不包括较多一阶段相关信息的因素暗示出它已合理分解出影响因素。残差检验时间序列分析这块内容，ACF和PACF检验算得上是重要的方法，二者通常是相辅相成地使用，能对序列本身的特征做出判断，也能够为选取合适的模型提供依据，在后续评估模型是否靠谱时还能发挥很大的参考价值，所以就打算用R软件绘制出ACF图以及PACF图，看看具体是什么样貌。图SEQ图\*ARABIC5ACF检验在REF_Ref195626742\h图5ACF检验中，多数滞后阶所对应的ACF值集中在-0.25到0.25的区间，且不少都未越出虚线划定的置信范围，故在不同滞后阶数下残差序列的自相关特性显得十分微弱，缺乏明显的周期性波动或序列相关的特征，换句话说这说明残差序列自身历史变化趋势似乎并无显著作用的存在，呈现出白噪声序列的某些性质不足为奇。图SEQ图\*ARABIC6PACF检验在REF_Ref195626834\h图6PACF检验中，观察到的PACF值普遍趋近于0的状态，在置信区间内未能呈现出明显的异常峰值，经过中间阶数的影响予以排除之后，可以察觉到残差序列于各滞后阶上体现的相关性特征并不显著，刚好对应了之前认为残差序列并无有价值信息存在的论断，这一结论进一步得到了数据结果的巩固。从ACF和PACF图来看，残差序列并没有展现出明显的周期性或相关性，呈现出类似白噪声的特点，在ARIMA模型的检验中，若残差具有白噪声属性，则表明模型已经较为合理地拟合了数据，这一结果说明原房价序列中的趋势或波动特征已被成功捕获，而无其他规律未能被提取的情况留存，由此显示出ARIMA模型对于南昌市住宅商品房房价序列有着较好的匹配度，并为随后的预测工作提供了可信基础。模型预测与结果分析模型预测图SEQ图\*ARABIC7南昌市住宅商品房价格走势REF_Ref195626852\h图7南昌市住宅商品房价格走势展示了2002年至2023年南昌市住宅商品房房价的走势曲线，整体呈波动上升的状态，这在一定程度上体现了市场背景下的历史房价变化基本规律REF_Ref23410\r\h[15]，从2023年至2026年的预测区间分析来看，曲线表明了持续上涨的趋势，反映了模型对南昌市未来数年房价增长态势作出的具体推断，其中用蓝色标记点表示的数据预测结果展现了房价逐步攀升的画面。图表利用ARIMA模型对南昌市房价的历史变动特性及其未来走向开展了量化分析，成为文中重要论证基础的一部分，说明该模型对处理房价数据的有效拟合度较强；同时借助具体预测值清楚展示出短期内房价将继续上涨的观点，可供市场动态、政策效果以及投资决策等领域参考所用。结果分析表SEQ表\*ARABIC11模型预测结果年份点预测值（元/㎡）80%置信区间（元/㎡）95%置信区间（元/㎡）202411166.38[10566.07,11766.69][10248.28,12084.48]202511599.76[10750.79,12448.73][10301.38,12898.15]202612033.14[10993.37,13072.91][10442.95,13623.33]REF_Ref195626872\h表11模型预测结果呈现了ARIMA（0，1，0）模型对2024年至2026年南昌市住宅商品房均价的预测情况，从此模型得到的结果来看，房价在这段时间大致会维持一种平缓的增长轨迹，价格将由大约11166.38元/㎡逐渐增长到约为12033.14元/㎡的水准，年均的上涨幅度大概是在3.8%左右。该模型通过使用一阶差分以及趋势调节的方法，成功契合了2002年至2023年的房价升高趋势，并在接下来三年的价格变动趋势上延续了过去的发展路数来进行估算，在置信区间较为集中的背景之下，适用于短期内市场局势评判或者相关决策计划过程辅助参照的作用。RMSE数值于误差指标里达446.63，这一现象似乎是在表明模型针对历史数据开展拟合之时的偏差不算严重，预测的结果看起来也有可靠性，经由主成分回归分析察觉到，“经济与需求综合因子”也即是PC1对房价有明显的正面效应，而基于ARIMA进行的房价上扬趋势预测恰与这个论断相呼应，从而显现出了经济和市场的需求依旧是促使房价发生变动的主导要素，这就可以去断定南昌市房价短期内还会继续提升的看法得到了ARIMA模型得出的结果的一种支持。研究结论与建议本章内容涵盖了研究结论、建议对策以及研究中的不足之处，把关键影响要素分析和预判的重要结果汇总起来，针对发现的情况给出对应的政策建议，同时还直接指出研究过程中存在的局限性所在，这些部分与开始设定的研究目的形成一定程度上的照应关系，从而让整体研究框架具备一定的完整属性特征。研究结论剖析各类影响因素后，能够得出一个结论，“经济与需求综合因子”成了推高房价的主力，这个因子里人均可支配收入、GDP以及政府财政收入这类指标占据相当重要的位置，对于房价的影响也最为突出，“经济与需求综合因子”要是涨1个单位，房价差不多会上升1329元/㎡左右，南昌市的经济情况较好的时候，大众的收入水平跟着提高，想买房的欲望也会跟着增强，在这样的情况下房价自然而然就升上去。然而“供给结构因子”却完全不同，住房面积大了之后会导致房价有所下降，“供给结构因子”每提升一个单位，房价大致会下降293元/㎡左右，也就是说，市场上房房源数量丰富的时候，会让房价增长幅度受到一些压制。模型预测结果表明，2024年至2026年期间南昌市房价可能会呈现稳步上涨趋势，预计从约1.12万元/㎡升到1.20万元/㎡左右，年均涨幅大约在3.8%，2024年的房价水平或许会在11166元/㎡上下浮动，其间或许会处于1.02万至1.21万这一区间；到了2026年，则有希望达到12033元/㎡附近，也存在一定波动性，幅度大概率落在1.04万至1.36万元之间，具体变化可能受市场情况等外部环境影响。对策建议与研究不足南昌市住宅商品房的价格受经济形势和需求波动的影响较为明显，未来三年可能出现缓慢攀升的态势，政府需要经由增加供应量以及精细化政策调控来使市场走向趋于平稳；开发商须对自身战略进行调整以适应市场需求的变动趋势；购房者应当冷静剖析以做出合乎理性之抉择，通过各主体相互协作互相配合，达成南昌市房地产行业健康且平稳发展这一目标或将是可能发生的结局。对政府调控的建议政府每年都划分出一定比例的土地，为保障性住房的建造提供资源，这事儿得重点考虑新市民还有低收人群体的情况需求才行，可以参考其他城市的成功经验，像杭州推出的“保障类似的租赁住房”这类举措就能在缓解年轻人买房难题上下功夫，也能更有效地保护民众权益；在这个步骤上还加大市面上房源数量，间接地把房价值上涨给控制住了一些，毕竟房价太高了也影响百姓生活水平和幸福指数等等吧也需要从这些层面多注意下。政府土地供应方面需要有较为精准的政策方向，一旦房价上涨速度加快，土地供应量可以稍加提高，相反情况，则是房屋库存增加后应削减供地计划，在2023年南昌市的案例中，该城市减少了三成供给，促使楼市走向平稳轨道，并可在此基础上进一步通过市场情况做出适应性微调甚至一些反复调整，在土地拍卖活动中，避免让“地王”现象浮现显得重要许多，如果地价被抬得过高，那么对房市的价格也会造成上扬风险，接连使行业承受难以承受的压力。自2017年南昌市推行三限房政策以来，房价上涨幅度从原先的12%降到了5%，这样的结果说明该政策的效果较为显著，政府还需进一步在引导居民购房行为上多做考虑，尤其是对于购入第三套甚至更多房屋的家庭，应适度提高其首付款额度，大概提升至70%左右，这样做能起到抑制投机性炒房的作用，像“限房价、限对象、限转让”这类的三限房策略也要得到更大范围的推广，重要的是要着重满足那些属于刚性需求群体的住房所需。政府也可将重心放在租房市场的发展之上，像推动国有企业和开发商投入到长租公寓的建造工作当中，并且给予税收优惠这样的政策支持，此外还需对租房合同实施规范化的管理措施，以达到租客利益不被损害的目的，这样一来也许能吸引到更多的人乐于接受租房生活的方式，进而削减人们购买房屋的需求量，以此间接地产生减缓房价上涨压力的结果。对开发商的建议南昌市洪都新城项目通过高端化改造后，价格平均水平比周边区域高出约25%，这种情况为开发商提供了一定的参考依据，从户型设计角度看，提高布局合理性并全面提升品质属于一个重要环节，比如增加大户型的比例来满足家庭结构升级的需求，这一点尤其值得重视，融入绿色建筑理念和采用智能家居技术能够对房屋附加价值起到一定提升作用，这也是值得关注的方向。同时需被注意的是，土地购置成本不可过高，这个事项十分关键，对于政府推出的“限房价、竞地价”政策的土拍活动积极参与也是一个不错选项，原因在于这有助于锁定合理利润空间，另外引入装配式建筑等新型建造方法能缩小施工开支并减少质量问题的发生几率，从而达到进一步压缩成本支出的效果，这些都是需要认真考量的层面。对购房者的建议尽早购房可能是个不错的想法，以免日后房价上涨带来更多财务负担，这一建议值得考虑，特别是像南昌县象湖新城这样地铁沿线开发潜力较大的地段确实值得关注，这倒是个不错的方向。不过没必要非要等到政策变动的时机来临，比如限购放宽或利率走低时才下手，相对来看配套更成熟的区域如红谷滩之类的区域可能是更为保险的选择，不要轻易去跟进那些偏远新区楼盘，例如新建区的某些房地产项目需要格外小心，要充分衡量人口流入的趋势及各类设施落实进展的真实效果，也可以尝试投入一部分资金到其他具体的经济渠道例如股市或基金市场之类起到多元化理财的目的，从而缓解过分依赖不动产的风险压力。南昌市住宅商品房价格影响因素虽说已经过分析并且也得出了一定结论，对未来三年的短期预测结果看起来也很合理，然而本文的研究还是有一些不足的地方需要说明，这些问题被忽略了可能会对研究结论的全面性产生影响。数据覆盖范围有限和模型局限本研究选择从2002年至2023年，共计22年的数据加以分析，时间跨度不大，如果能收集更早之前的资料，也许对于测试模型在较长时期内的预测能力会有一定帮助，土地价格、房贷利率以及政策的调整强度之类的关键要素并没有直接纳入到这个模型中，因此很难避免这些因素给最终结果准确性所带来的影响程度，比如说，土地价格上涨确实会让相关成本增长，但缺乏相应信息则无法精确计算这一点，毕竟ARIMA模型主要根据先前的数据推测后续的发展趋势，在突然出现新颁布的政策诸如房产税试点或者是经济危机这样的外来冲击情况下难以应对，假定到2024年真的出台了极其严苛的限制购房措施，房产售价恐怕会低于人们原来预测的程度。区域差异分析不足虽说研究设定的对象是南昌市的整个范围，但并没有深刻去追究各区域之间房价差异背后那些具体的促成因素，比如红谷滩新区因为行政资源聚集，而南昌县凭借产业园区发展，这两种不同因素对房价所产生的作用存在显著区别，可本研究里涉及的内容却没有对此进行仔细探究，这部分内容缺乏更深入、细致的分解和挖掘。未考虑市场心理因素房价波动受购房者预期、投资投机行为受到众多心理要素影响，这是比较突出的现象，然而在本研究中未囊括类似消费者信心指数、社交媒体情绪数据等关联指标的情况，在或许低估了市场非理性波动风险的背景下，分析过程中存在相应局限性，导致一些潜在状况没能有效考虑。参考文献Case,KarlE.,andRobertJ.Shiller."TheEfficiencyoftheMarketforSingleFamilyHomes."AmericanEconomicReview79,1989,pp.125-137.Wheaton,WilliamC."RealEstate'Booms'and'Busts':TheRocketandthePendulu