Pythonを使用して広州の不動産市場を分析する

著者：ZHUシャオファイブ

出典：バンプデータ

みなさん、こんにちは。交換グループの2番目のグループのブラザーJです。

今回は、不動産事業を組み合わせて、広州市のデータ分析にPythonを使用し、分析のアイデアを提供したいと思います。

なぜ不動産市場を分析する必要があるのですか？不動産業界には地理的な特徴があり、不動産会社の観点からは、都市の選択が投資の成否をある程度左右します。したがって、都市の市場調査と判断は非常に重要です。早くも数年前、同じ資金が南京と長社に割り当てられたとき、投資収益率の差は大きかった。

では、不動産市場をどのように分析すればよいのでしょうか。

データ分析の観点から、私の考えをまとめて整理しました。都市の不動産市場分析には、都市経済、関連政策、土地市場、不動産市場を含めるべきだと思います。都市経済は、都市の経済力と可能性を反映しており、次の指標に細分できます。 1人あたりのGDPと単位面積あたりのGDP、1人あたりの財政収入と単位面積あたりの財政収入、高純価値グループの規模、純人口流入、3番目業界シェア、業界の補完性、不動産投資への依存、都市への優しさなど**。政府が策定した政策も不動産市場に大きな影響を与えます。より関連性の高い政策には、金融政策、人口政策、土地政策、住宅購入政策が含まれます。最後に、都市の土地市場と不動産市場の分析があります。これは分析全体のコア部分でもあります**。

次に、Pythonを組み合わせて、広州を例にとり、広州の土地市場と不動産市場の分析を試みます。都市経済と関連する政策の分析については、今後の記事で説明します。

広州土地市場分析

土地市場には一次市場と二次市場があります。一次市場は土地使用権の譲渡市場です。つまり、州は指定された政府部門を使用して、都市の国有地または地方の集合地を国有地として取得し、ユーザーの市場と販売される土地は、「7つの接続と1つの平準化」を達成するために開発された未加工の土地または成熟した土地です。流通市場は土地使用権の譲渡後の再取引です。土地利用者は必要かつ取引可能な土地使用権に到達し、流通分野での取引のために市場に参入します。スペースの制限により、この記事は主要な土地市場からのデータ分析のみを開始します。

土地データを取得

土地市場のデータは、一般的に地元の** Public Resource Exchange Center **で公開されていますが、現在の週または月のデータのみが公開されることがよくあります。そのため、専門の土地Webサイトにアクセスして取引データを取得できます。たとえば、土壌ドリフトネット：

このWebサイトは、単純な構造、単純なURLページめくり構造を持ち、xpathを使用してデータを解析します。スペースの制限により、クローラーコードは繰り返されず、コアコードのみが提供されます。

def main():for page inrange(1,46):   #ここでページ数を設定します
  url ='https://www.tudinet.com/market-213-0-0-0/list-o1ctime-pg{}.html'.format(page)print(url)
  headers ={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36',}
  response = requests.request("GET", url, headers = headers)
  # print(response.status_code)if response.status_code ==200:
   re = response.content.decode('utf-8')print("抽出"+str(page)+"ページ")
   time.sleep(random.uniform(1,2))print("-"*80)
   # print(re)
   parse = etree.HTML(re)  #Webページを解析する
   items = parse.xpath('.//div[@class="land-l-cont"]/dl')parse_page(items)iflen(items)<10:print('取得完了')breakif __name__ =='__main__':
 time.sleep(random.uniform(1,2))main()

クローラーコードを実行して、広州** 1238 **の土地データを抽出します。以下は、簡単なクリーニング後のデータです。

土地データの分析

土地取引状況

2011 2020年から2020年にかけて、広州の売れ残りと売れ残りの土地が半分を占め、土地の49.71％しか売られず、全体の取引率は高くありません。取引が失敗した主な理由は、意図的な入札者がおらず、入札が所定の最低価格に達していないことでした。

土地取引エリア

2011 2016年から2016年にかけて、広州は入札、オークション、上場のための土地が少なくなりました。2016年に計画された建設面積はわずか773,000平方メートルでした。 2017年以降、取引規模は最高潮に達し始めました。2018年には、取引の計画された建設面積はわずか1,635万平方メートルでした。

月次土地取引の観点から、広州の地方オークション市場は、2019年前半は比較的静かで、年の半ば以降は通常に戻り始め、2019年末に地方オークション市場は暑い状態になりました。 11月と12月19日にそれぞれ21区画と38区画の土地が売却されました。

土地取引構造

過去10年間、広州の土地取引は主に工業用地、その他の土地および住宅用地であり、工業用地は41.19％を占めました。これは、広州の工業企業が発展した理由も反映しています。

土地取引エリア

取引地域の観点から、南沙地区と汎宇地区は毎年一定量の土地取引を行っていますが、越夏地区と天河地区は土地取引が少なくなっています。 2020年以降、南社地区の土地市場は活況を呈しており、取引地域は広州の他の地域よりもはるかに高くなっています。

広州不動産市場分析

不動産市場の分析には、主に新築住宅と中古住宅取引市場が含まれます。一般不動産情報公開プラットフォームの中古住宅数は新築住宅よりもはるかに多いため、この記事では広州中古住宅取引データを使用して不動産市場を分析します。

中古住宅データを取得する

より包括的で実際のデータを取得するために、この記事ではPythonを使用して、FangTianxiaがリリースした最新の広州中古住宅取引データを取得します。

Fangtianxiaのクローラーも比較的シンプルです。クローラーのロジックは、シェルで家を見つけるのと似ています。唯一の問題は、あるエリアを横断すると、次のエリアにジャンプすることです。コアコードを以下に示します。

def main():
 # Zengcheng a080;Panyu a078; Nansha a084; Huadu a0639;Baiyun a076; Haizhu a074;Yuexiu a072; Liwan a071;Tianhe a073;Conghua a079; Huangpu a075
 district_list =['a084','a078','a080','a0639','a076','a074','a072','a071','a073','a079','a075']  #範囲
 for district in district_list:for page inrange(1,101):   #ここでページ数を設定します
   url ='https://gz.esf.fang.com/chengjiao-{0}/i3{1}/'.format(district, page)print(url)
   headers ={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36',}
   response = requests.request("GET", url, headers = headers)if response.status_code ==200:
    re = response.content.decode('utf-8')print("抽出"+ district +'最初'+str(page)+"ページ")
    time.sleep(random.uniform(1,2))print("-"*80)
    # print(re)
    parse = etree.HTML(re)  #Webページを解析する
    items = parse.xpath('.//div[@name="div_houselist"]/dl')parse_page(items)iflen(items)<30:  #サブリージョンをトラバースした後にジャンプする
     print('取得完了')breakif __name__ =='__main__':
 time.sleep(random.uniform(1,2))main()

コードを数分間実行した後、広州の中古住宅の** 22170セット**のデータが抽出されます。簡単なクリーニングの後、いくつかのデータが次のように表示されます。

プロパティデータを分析する

ボリューム価格の傾向

近年の広州の中古住宅の数量と価格動向から判断すると、2015年以降住宅価格は上昇している。2018年の中古住宅の平均価格は35,000元/㎡に達した。 2019年には住宅価格が下落しましたが、中古住宅の取引件数は近年ピークに達し、年間で8,940台が販売されました。

2020 2009年1月から6月まで、広州の中古住宅の平均価格は基本的に2019年と同じでした。取引量では、2月に流行により70セットの中古住宅が販売されましたが、3月以降は徐々に流行が収まり、不動産市場は改善傾向にあり、6月には1337セットの中古住宅が販売されました。

住宅価格分布

住宅価格分布の観点から、2020年1月から6月までの中古住宅の平均価格が最も高い地域は、Yuexiu地区とTianhe地区で、それぞれ平均価格は46767.52元/㎡と46433.89元/㎡です。公華地区は住宅価格が最も低く、わずか12190.67元/㎡です。

**不動産取引TOP20 **

不動産取引の観点から見ると、2020年1月から6月にかけて広州で中古住宅取引が最も多い不動産は、曽城地区の金秀天禄園で、合計78件、平均取引価格は18565.40元/㎡です。

相関分析

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
import seaborn as sns
%matplotlib inline
sns.set_style('white')   #グラフィックの背景スタイルを白に設定します
df = pd.read_excel("D:\data\不動産データ分析\広州中古住宅.xlsx")
df = df[['ルーム','ホール','範囲(㎡)','レイヤー数','取引価格(元/㎡)']] #目的の列を選択します
df.rename(columns={'ルーム':'room','ホール':'hall','範囲(㎡)':'area','レイヤー数':'floor','取引価格(元/㎡)':'price'}, inplace=True) 
fig,axes=plt.subplots(1,2,figsize=(12,5))
sns.regplot(x='room',y='price',data=df,color='r',marker='+',ax=axes[0])
sns.regplot(x='hall',y='price',data=df,color='g',marker='*',ax=axes[1])

広州の中古住宅の回帰マップを描くことにより、広州の中古住宅の部屋数と面積は住宅価格とはあまり関係がないことがわかりました。家の床と住宅価格は強い正の相関関係があるように見えますが、実際には相関関係のない3つの異常値の影響を受けます。

広州不動産市場の概要

広州の土地市場の観点から見ると、広州の土地取引率は過去10年間で50％未満でしたが、近年、土地市場は持ち直しており、特に南沙地区と丹生地区の土地市場は安定した取引を行っており、今後も発展の可能性があります。

不動産市場の観点から見ると、広州の中古住宅の価格は2019年以降あまり変化しておらず、約3万元/㎡を維持している。流行下で中古住宅取引が挫折し、一部の不動産会社は売り上げを伸ばすために価格を交換しようとしたほか、流行は徐々に抑制され、中古住宅取引は徐々に再開された。市内中心部の住宅価格は高止まりしていますが、広州北部のConghuaとZengchengは住宅価格が低く、まだ成長の余地があります。

宣言

1. このデータ分析は学習および研究のみを目的としており、提供された結論は参照のみを目的としています。

2. 作者は不動産業界の知識がほとんどなく、説明が不完全かもしれませんので、同意しないでください。