摘要：以徐州为研究对象，运用灰色关联和BP神经网络预测住宅需求。结果表明：1）在岗职工平均工资、人均可支配收入、GDP、人均存款余额以及人均消费性支出等5项社会经济指标与住宅需求高度相关；2）BP神经网络的预测误差为6.18%，精度可以满足住宅需求预测的要求；3）徐州市住宅市场发展前景看好。

关键词：住宅需求；灰色关联；BP神经网络；住宅市场

Abstract：Taking Xuzhou as the research object，the paper uses the gray correlation and BP neural network to forecast housing demand. The results show that：1）Five socio-economic indicators are highly correlated with commodity housing demand，which include average wage of workers，per capita disposable income，GDP，per capita deposit balances and per capita consumption expenditure. 2）The prediction error of BP neural network is 6.18%，which can meet the requirement of housing demand forecast. 3）The housing demand of Xuzhou will show a good develpment prospect.

Keywords：housing demand；gray relational；BP Neural Network；housing market

参考文献

[1] 张原，刘琳.住宅市场现状分析与预测[J].经济与管理研究，2006（6）：41-45.

[2] 高聚辉.当前住房市场现状分析与前景展望[J].中国发展观察，2015（2）：48-54.

[3] 陈国强.城市化视角下中国楼市的发展趋势[J].中国地产市场，2009（12）：34-35.

[4] 曹光辉.城市住宅需求总量影响因素分析——以重庆市主城区为例[J].改革，2002（4）：71-74.

[5] 高原，陈俊键，周锦艺.湛江市住宅需求的灰关联分析[J].科技和产业，2010（4）：18-21.

[6] 朱永升，王卫华，韩伯棠.影响房地产市场需求因素的灰色关联度分析[J].北京理工大学学报，2002（6）：782-785.

[7] 卞凤兰，黄晓明，刘睿.城镇化进程中公路网用地的BP神经网络预测模型[J].东南大学学报（自然科学版），2010（5）：1073-1076.

[8] 周敏，甄峰.基于空间分析的城市住宅价格空间分布研究——以南京市2007年开盘在售住宅为例[J].现代城市研究，2008（7）：47-53.

[9] 陈华飞，王秀兰.住宅市场供求均衡研究——以武汉市为

例[J].中国土地科学，2008（10）：17-23.

工程经济，2017（02）：61-65