1.作品介绍
业务背景：
回顾近十年房地产市场的走势，针对房价逐步攀升的现象，以一线城市 、新一线城市、长三角 、西部地区等核心城市作为研究切入点，研究了13个城市近10年的房价数据与财政、国民经济、人口、房地产、金融、就业和工资的下设共15个指标的相关关系。
需求痛点：
房价受多方面因素影响，影响因素有不可量化，不明确的特点。我们进而从宏观指标角度出发，探究宏观指标对房价的影响。
2.数据来源&处理：
2.1数据来源
13个城市统计局发布数据，指标有财政、国民经济、人口、房地产、金融、就业和工资大类下设指标。
2.2整合过程：
对数据集进行数据汇总和数据清洗，包括以下内容：数据格式统一 、 单位对齐；尽可能多的收集数据，丰富数据完整性；不同数据集之间的指标口径对齐。
2.3数据处理：
（1）首先找到要分析城市的统计局网站，如哈尔滨市统计局http://data.harbin.gov.cn/。
（2）找到需要获取的数据集，如哈尔滨市城建住房类数据：
(3) 下载数据集进行整合，获取方式一般为离线文件下载或调用API 接口获取，下面简单介绍下 API 接口获取的步骤，可以先预览数据集里的数据项是否满足我们获取的需求。
符合需要的话可以本地调用接口，可以看到下方为 GET 请求，输入 token 等密钥信息就可以获取到数据集。
2.4问题解决
由于各地方统计局发布的数据集内存在某些指标口径不一致等情况， 如居民消费指数和城镇消费指数等， 这类问题的解决思路是明确我们要分析的指标标准口径基于标准口径检查收集到的数据集指标口径是否符合，不符合再收集其他数据集进行补充 。
3.分析思路：
结合地区预算支出、人口规模、收入结构及薪资角度分析房价逐步攀升的原因，结合折线图、散点图、雷达图、地域分布图等形式直观体现影响房价的各因素分布，对影响房价的各因素 进行相关性分析和回归分析并找到显著影响特征，针对显著影响特征进行深入分析 。
4.数据处理
我们先用打分法选出16个相关指标，然后对这些指标与房价分别进行相关性分析，回归分析，研究不同城市的宏观指标与房价的相关关系，正相关还是负相关。也将城市按量级分类，探究不同量级城市房价的影响因素。
5.可视化报告
2011 年-2020 年共选取北京 、 上海 、 杭州 、 长沙 、 天津 、 南京 、 兰州 、 哈尔滨 、 金华 、 三亚 、 洛阳 、 龙 岩 、 三明共计 13 个城市的房价进行汇总， 结合房地产、、 财政 、 国民经济 、 人口 、 金融 、 就业等情况分析哪些因素会 影响房价 。
5.1房价大盘分析
（1）不同城市群受地区影响， 沿海及内陆中心区域特征明显
 几大城市群房价由北向南开始递减的特点，京津冀主要城市带 动周边房价上涨， 而像长三角城市受长沙等新一 线城市带动， 周边房价也在攀升，沿海城市如海南等受地理位置影响房价涨 幅也颇为明显。
(2) 城市发展对房价影响较大且房价分化明显
北京、上海等一线城市房价涨幅呈高位攀升，杭州、长沙等新一线城市由于城市发展房价也处于稳步上升趋势，而兰州、洛阳等二三线城市涨幅平稳， 由此可见城市发展程度对房价影响较大，且不同线城市的房价分化程度也比较明显 。
（3）城市类型近10年房价趋势
5.2分城市类型房价概况
（1）一线城市房价整体热度较高，近期涨幅趋于平稳态势
 2013 年北京房价同比去年上涨 40 .64%，同时上海房价同比去 年上涨 20 .31%， 涨幅靠前， 受后续市场一 系列调控 2017 年 后房价波动相对平稳，但并不意味着城市区域的基本面发生转变， 所以整体还是趋于稳定的趋势 。
（2）二 、 三线城市整体房价涨幅较低， 城市发展对房价影响显著
几大城市群房价由北向南开始递减的特点，京津冀主要城市带 动周边房价上涨， 而像长三角城市受长沙等新一 线城市带动， 周边房价也在攀升，沿海城市如海南等受地理位置影响房价涨 幅也颇为明显 。
- 二线城市
-三线城市
5.3影响因素分析
通过下图，发现一般公共预算收入 、一般公共预算支出、GDP、金融机构存款余额和金融机构贷款余额这五个指标与房价相关系数的绝对值大于 0 .8， 即这五个指标与房价在统计学上有强的相关性 。
 
（1）房屋竣工及销售面积曲线基本一致，一线城市房屋消化能力强
（2）国民经济的发展趋势与房价成正相关，GDP相关性较明显
（3）人口增长率与房价成负相关，与常规认知差异较大
（4）一线城市就业人数与房价相关性较强，证明购买能力潜在影响房价 上升
  
公共链接：https://bisolutions.fanruan.com/webroot/decision/link/PcGg
四 、项目总结
本次参赛选用如此宏观的议题来去分析是比较有挑战性的，分析前期的数据收集和清洗就给团队小伙伴们带来了不小的挑战，后期大家通过一 次次的开会讨论和头脑风暴在数据收集环节效率得以大大提升；同时 FineBI 预制的数据准备模块也帮我们更快、更容易地合并和清洗所需分析的数据。在10年影响房价因素的分析过程中，城市、地方公共预算收入等信息通过Fine BI的自助图表功能快速完成了数据趋势绘制及可视化，给我们的后续分析提供了很多帮助 。
| 
