| 摘要 | 第8-10页 |
| abstract | 第10-12页 |
| 1 绪论 | 第13-23页 |
| 1.1 研究背景和研究意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 国外研究现状 | 第15-17页 |
| 1.2.2 国内研究现状 | 第17-19页 |
| 1.2.3 文献综述 | 第19-20页 |
| 1.3 研究思路和研究内容 | 第20-23页 |
| 1.3.1 研究思路 | 第20-21页 |
| 1.3.2 研究内容 | 第21-23页 |
| 2 学区房价值评估方法分析 | 第23-30页 |
| 2.1 教育资源对周边房地产价值的影响机理 | 第23-25页 |
| 2.1.1 父母传统思想的影响 | 第23-24页 |
| 2.1.2 社会推崇教育方面的影响 | 第24页 |
| 2.1.3 国家教育政策实施方面的影响 | 第24-25页 |
| 2.1.4 教育资源收益资本化方面的影响 | 第25页 |
| 2.2 评估特殊性对传统价值评估方法选择的影响 | 第25-27页 |
| 2.2.1 教育资源优势凸显,评估时需侧重考量 | 第25-26页 |
| 2.2.2 居住性用房为主,可比成交案例充足 | 第26-27页 |
| 2.2.3 市场法的优势与劣势 | 第27页 |
| 2.3 应用BP神经网络改进市场法的可行性与优越性 | 第27-30页 |
| 2.3.1 应用BP神经网络的可行性 | 第27-28页 |
| 2.3.2 应用BP神经网络的优越性 | 第28-30页 |
| 3 基于神经网络的价值评估模型构建 | 第30-45页 |
| 3.1 理论基础 | 第30-36页 |
| 3.1.1 BP神经网络的概念 | 第30-31页 |
| 3.1.2 BP神经网络的结构 | 第31-33页 |
| 3.1.3 BP神经网络的计算原理 | 第33-36页 |
| 3.2 网络参数的确定 | 第36-40页 |
| 3.2.1 输入层和输出层的设计 | 第37页 |
| 3.2.2 隐含层的设计 | 第37-38页 |
| 3.2.3 BP人工神经网络算法的选取 | 第38-40页 |
| 3.3 输入变量的确定 | 第40-45页 |
| 3.3.1 学校特征变量 | 第40页 |
| 3.3.2 建筑结构特征变量 | 第40-41页 |
| 3.3.3 地理位置特征变量 | 第41-42页 |
| 3.3.4 配套设施特征变量 | 第42页 |
| 3.3.5 交易情况特征变量 | 第42-43页 |
| 3.3.6 Hedonic 模型优化输入变量体系 | 第43-45页 |
| 4 实证研究 | 第45-55页 |
| 4.1 数据的收集与处理 | 第45-47页 |
| 4.1.1 数据的收集 | 第45页 |
| 4.1.2 数据的处理 | 第45-47页 |
| 4.2 利用Hedonic模型进行指标优化 | 第47-52页 |
| 4.2.1 样本数据抽取与输入 | 第47页 |
| 4.2.2 训练前的处理 | 第47-48页 |
| 4.2.3 模型的初步训练 | 第48-50页 |
| 4.2.4 模型的优化 | 第50-52页 |
| 4.3 测试结果分析 | 第52-55页 |
| 4.3.1 证明了神经网络的可行性与优越性 | 第52-53页 |
| 4.3.2 证明了Hedonic模型优化指标的必要性与有效性 | 第53页 |
| 4.3.3 证明了学校教育资源对房地产价值的重要性 | 第53-55页 |
| 5 结论与研究展望 | 第55-57页 |
| 5.1 本文的主要结论 | 第55-56页 |
| 5.2 研究展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 数据指标解释 | 第60-62页 |
| 样本打分情况 | 第62-69页 |
| 致谢 | 第69页 |
