基于人工神经网络的房地产市场预警模型研究——以成都市为例

刘 佼，袁红平

（西南交通大学 经济管理学院，四川 成都611756，E-mail：2993999897@qq.com）

基于人工神经网络的房地产市场预警模型研究
——以成都市为例

刘 佼，袁红平

（西南交通大学 经济管理学院，四川 成都611756，E-mail：2993999897@qq.com）

随着社会的不断进步，房地产业迅速繁荣，对房地产市场进行有效的调控显得尤为重要。结合成都市房地产市场的特点，以及人工神经网络容错性、易操作等特性，利用人工神经网络建立房地产市场预警模型。选取成都市房地产业2000～2014年的数据，建立BP人工神经网络模型，将2000～2013年的数据作为训练样本，2014年的数据作为检测样本。通过5000次训练，在第263次时得到最佳结果，实现了误差小于1e-6的训练目标，其仿真效果具有较高的可信度。该BP人工神经网络模型在有效进行市场预测、促进房地产市场可持续发展等方面有较高的实际意义。

房地产市场；预警；BP人工神经网络

改革开放以来，我国的宏观经济持续增长，房地产市场逐渐完善。1998年颁布了住房体制改革的纲领性文件后，房地产投资额迅速增加，商品房价格不断上升，房地产业成为我国经济发展的第一支柱产业。然而从 2002年开始，我国房价虚高现象明显，房地产市场开始出现剧烈波动[1]。房地产业的稳定发展对促进社会主义市场经济体系可持续发展意义重大，因此，有效地对房地产市场进行监控显得尤为重要。虽然已经有学者对房地产预警系统进行了大量研究，但是大多数是从理论的角度，缺乏模型的实证，即定量分析不足，因此对房地产市场状况做出的判断是不具有科学性的。同时预警系统存在着预警功能不强、可操作性较差和预警结果分析不充分等问题。

早在20世纪80年代，国外学者就开始对预警模型进行研究。Kenneth[2]首次将设定性检验法引入到房地产市场预警系统中；Clayton[3]通过研究发现利用理性预期对房地产价格的波动进行预测具有一定的局限性；Malpezzi[4]利用流量平衡模型分析了投机因素对房地产价格波动的影响；Juliana[5]通过对各种预警模型的比较发现神经网络模型对房地产市场预警的效果最好；从20世纪90年代开始，国内很多学者也对房地产预警系统进行了研究，各种房地产预警方法层出不穷。如赵黎明等[6]将统计预警方法运用到房地产预警系统中，使房地产经济分析开始走向定量化；丁烈云等[7]将计算机建模引入到房地产预警领域；郭磊等[8]利用单指标和综合指标相结合的方式对深圳房地产市场进行预警，预警系统实现了较好的检测功能；陈峰[9]运用综合模拟预警法对武汉房地产预警系统进行研究；王文萱等[10]基于扩散指数模型，建立长沙市房地产景气循环评价体系，对长沙市房地产市场警情进行了监测。通过对以往预警系统的分析可以看出，虽然房地产预警的新方法不断涌现，但是仍然存在很多问题：一是预警功能不强。以往的研究大多采用线性分析方法来建立预警系统，指标选取不够严谨，无法准确、全面地对房地产市场进行预测；二是可操作性较弱。纵观以往的研究方法，很多预警系统需要大量的数据，而目前我国房地产市场发展不够成熟，数据严重缺乏，很难获得良好的预测效果。另外，一部分预警系统的技术性过高，非专业人员很难理解，不适宜推广；三是预警结果分析不足。大部分学者只是对预警模型进行研究，并没有对预测的结果进行分析，对实践缺乏一定的指导。

考虑到目前我国房地产市场发展不够成熟，数据不完整的特点，本文建立具有非线性、容错性、自学性等优点的人工神经网络模型，结合2000～2014年成都市房地产业发展数据，对模型进行训练和检测，较为成功地对成都市房地产市场进行了监控和预警。

1　房地产预警及预警方法

预警是对警情进行预测，并采取措施防止警情发生。房地产预警是一种通过分析经济过程发现运行规律的经济预警。通过预警可以帮助监测部门较为准确地判断房地产总体运行状态，采取措施避免不良态势，促进房地产业持续发展。房地产预警系统组成要素主要有：警情、警源、警素、警兆、警限、警度[10]。其中，警情是预警的对象，是指房地产业中存在的与宏观经济不协调、内部结构失衡等问题；警源是警情发生的根源，找到合理的警源是房地产预警的基础；警素是警源的具体因素，通常采用多指标体系；警兆是能反应警情指标变化的警素，是通过特定的方法选择出来的；警限是警兆指标的变化范围；警度即警情的程度。预警的大致步骤为：①明确警情；②分析警源；③确定警兆；④确定警限；⑤核算预警指标；⑥划分房地产市场警界；⑦预报房地产市场警度。

随着房地产业的发展，学者对房地产市场预警的研究不断深入。总结以往的研究成果，其中较为成熟的预警方法主要有三类：

（1）指数预警法（景气指数法）。首先利用数学方法划分一组包含先行指数、同步指数和滞后指数的景气指数。然后利用这组指数测定房地产经济的波动。理论上这种方法对房地产市场的预测具有较高的应用价值，但是我国房地产起步晚，不能为各个指标提供足够的时间序列数据进行分析。因此，利用这种预警法对我国房地产市场进行预测有较大的局限性[11]。

（2）统计预测法。该方法对警兆与警素进行统计处理，确定两者之间的关系，然后通过警级预测警度。统计预测法将多指标合成一个综合指标，克服了指数预警需要大量时间序列数据的不足，而且兼顾了单指标和综合指标的分析。但是该预测方法难以确定预警界限[12]。

（3）模型预警方法。该方法通过建立模型进行回归分析，从而对房地产经济进行预警。关键是选择合适的回归方法和掌握一定的历史数据，克服了统计预测法的不足，有较强的准确性[13]。

以往学者大多采用多元线性回归的方法对房地产预警系统进行定量分析，虽然有一定成果，但是不能对房地产市场这个复杂的非线性系统进行很好的模拟，因此构建一个非线性的自学习性预警模型是准确地进行房地产市场预警的基础。本文采用较为成熟的BP人工神经网络进行研究，充分发挥人工神经网络的容错性、非线性、操作简单等优点，结合成都市房地产发展的原始数据，建立预警模型。

2　基于BP人工神经网络的房地产预警模型

人工神经网络（ANN）是一种由大量节点联接构成的模仿生物神经网络的数学模型。每个节点代表一种特定的激励函数；每两个节点间的联接都代表一个权重；网络具有自学习性，可以对算法或者函数无限逼近。人工神经网络是一种可以实现任意的函数关系的自适应系统。

（1）人工神经元的数学模型。人工神经元是一种对生物神经的结构进行模拟的节点，其构造如图1所示。

图1　人工神经元模型

从图中可以得出人工神经元的输入输出对应关系为[10]：多个具有特定的加权系数Wi的输入信号Xi同时输入神经元，神经元首先根据权重分配调整输入的信号，确定总体效果。然后，神经元处理输入的信号，比较总输入和偏置值并进行函数转换，得到输出y。

（2）基于人工神经网络的预警模型结构。大量类似于上述神经元按一定规律相互组合形成人工神经网络的拓扑结构。人工神经网络的功能是通过网络的训练来实现的，通过不断改变权值和偏置值使网络的最后输出接近期望的输出。权值和偏置值的调整遵循一定的规则，即学习算法，目前应用较广的算法是有导师学习。本文应用其中的BP神经网络来建立房地产经济预警系统。依据柯尔莫哥洛夫定理：任意一个连续函数，均可通过一个由输入层、隐层和输出层组成的前向神经网络实现。即只要设定的参数合适，BP神经网络能拟合任意的函数，无论多么复杂。以该定理为基础，建立一个3层的BP神经网络模型，具体结构如图2所示。

图2　基于BP神经网络的房地产经济预警模型结构

在该模型中，输入节点数量等于警兆指标数量。输出节点数量由警度的警级数目决定。

3　基于成都市房地产市场预警的实证研究

鉴于成都市房地产市场起步较晚，本文选取了15年（2000～2014年）的数据，借助BP神经网络对其进行训练集检验，以期对成都市房地产市场的危机进行预警并提出可行的防范措施。

3.1成都市房地产市场警情判断

3.1.1警情指标的选择

商品房销售面积增长率是衡量房地产市场健康状况的基本指标，会对当地房地产市场未来发展趋势产生重要影响，同时在总结相关文献资料的基础上，本文选择其作为成都市房地产市场的警情指标。

3.1.2警度的划分

现有的房地产警度的划分主要有两种，一种划分为：过热、微热、正常、微冷、过冷等5个等级；另一种划分为：热、正常、冷等3个等级。前一种划分方法虽然能够更详细地反映警情情况，但是对样本数据的要求高。而成都市产业起步较晚，数据不充足，连续性不高，如果选用前一种划分方法，在用神经网络模型进行分析时，会出现拟合较难、准确度低等问题。

为了确保模型的稳定性与准确性，本文将警情指标划分为：冷、正常、热3个指标。另外，利用正态归一化的方法确定警界，对样本进行归一化，将标准差作为警界。即将归一化后位于区间（-1，1）内的作为“正常”状态，位于区间（-∞，-1]内的处于“冷”状态，位于区间[1，+∞）内的处于“热”状态。根据警情指标所在的区间确定警度，成都市2000～2014年房地产市场警度的确定具体如表1所示。

表1　成都市房地产市场警度的确定

3.2 成都市房地产市场警兆指标的确定

房地产市场与社会经济联系密切，而且相对数指标能够更好地反映事物之间的联系，因此本文引入了房地产与国民经济关系和房地产内部协调关系两大类指标。同时选取了4个能够表现房地产发展状况的指标，共同组成成都市房地产市场警兆指标体系，具体如表2所示。

表2　成都市房地产市场警兆指标

3.3成都市房地产市场预警模型的训练与检测

3.3.1样本数据

经过数据收集，获得 15个样本。每个样本都有两部分：一是2000～2013年的警兆指标，作为网络的输入；二是2000～2014年的警情指标，作为网络的目标输出。同时又将前13个样本作为训练集，剩下的一个样本作为检测集，用于检测模型的准确性。警兆指标的具体数据如表3所示。

为了保持神经网络的稳定性，加快收敛速度，将警兆指标归一化到区间[-1，1]内，具体结果如表4所示。

归一化之后，得到训练集和检测集样本。输出值用[Y1，Y2，Y3]表示，其中[0，1，0]表示“正常”，[1，0，0]表示“冷”，[0，0，1]表示“热”。具体数据如表5所示。

表3　成都市房地产市场警兆指标数据

表4　成都市房地产市场警兆指标归一化后的数据

表5　成都市房地产市场预警模型样本

3.3.2敏感性分析

为了判断各个警兆指标的重要性，以便于在监测时进行重点监视，需要判断各警兆指标与警度之间相关关系的密切程度，具体结果如表6所示。

表6　相关系数表

从表6可以看出，房地产新开工面积增长率、商品房施工面积增长率、商品房竣工面积增长率、房地产开发投资额/GDP、房地产开发投资额/固定资产投资额这5个指标与房地产市场警度的关联度较大，在检测时应重点监视。

3.3.3BP网络设计

借助Matlab的人工神经网络工具箱编写程序，隐层神经元的传递函数选择Tansig函数，输出层选择Purelin函数，选择“动量梯度下降发传播算法”作为学习算法，训练 5000次，训练目标是误差小于1e-6，在第263次训练时得到最佳结果，具体训练效果见图3。

3.3.4预警模型的检验

BP神经网络训练完毕后，用检测集检测网络的准确性。将 2014年的警兆数据作为检测集输入神经网络，将经模型运行之后得到的实际输出值与目标值进行比较。若满足误差要求则说明模型较准确，可进行实际预测；否则，需要重新训练，直到误差满足要求为止。最后的运行结果如表7所示。

图3　Matlab BP训练效果

表7　测试样本的输出值和实际值比较

从表7的具体结果中可以看出，目标输出和测试结果反映的信息基本相同。因此，基于BP神经网络的房地产市场预警系统的预测能力达到预期水平，其仿真效果具有较高的精确度，可以利用该模型对成都市房地产市场的发展进行监控。

4　建议

通过对成都市2000～2014年房地产市场数据的进行归一化处理，可以看出这 15年中成都市房地产业的发展稳中有升，房地产经济运行没有出现大起大落的波动。其中，2008年受到金融危机和“5·12汶川地震”的影响，成都市经济出现不景气现象，商品房销售面积明显降低，房地产市场处于“冷”的状态。但是在 2009年，成都市经济稳步上升，房地产市场快速回暖，上升到“热”的状态。成都市房地产业一直是西部地区房地产发展的焦点，为了保持成都市房地产市场健康有序发展，提出以下几点建议：

（1）改善土地出让制度，减缓房地产新开工面积增长速度。土地资源具有稀缺性，随着经济的发展，人们对土地的需求量急剧增加，造成了土地资源与经济发展之间严重的不可调和性，为了获得高额利润，开发商千方百计地争夺土地资源。为了避免房地产开发商抢占市场，导致短期内房地产开发面积过高，政府需要改善土地出让制度，合理控制开发成本。

（2）积极调动宏观调控，控制房地产开发投资额，维持房地产市场的健康稳定发展。为了获得高额利润，房地产开发商会对楼盘采取过度包装、夸张宣传等不正当的营销策略，导致房价上涨剧烈。同时存在部分开发商采取“囤地“等手段储备土地，等到时机成熟时转卖，炒高房价，导致房地产市场非理性繁荣。因此需要政府加强宏观调控，维持房地产市场稳定发展。

（3）构建房地产市场预警信息数据库。目前我国房地产市场信息存在着分散、不全面等问题，这为有效合理地对房地产市场进行预警造成了很大的障碍，导致房地产预警存在实践上的问题。因此，全国各地区的统计部门应当根据当地房地产市场的特点，整合信息，建立科学有效的房地产市场预警信息库。

（4）构建权威的房地产市场预警指标体系。影响房地产市场发展的因素很多，而且每个因素影响的程度千差万别，若不加区分地进行预测，将导致预测的结果科学性不足。因此各地区需要根据房地产市场的实际发展情况，根据实践经验，构建权威的预警指标体系。

5　结语

本文通过建立BP神经网络模型，对成都市房地产市场预测系统进行了研究。通过对模型的训练与检测可以发现，BP神经网络的模拟与实际基本吻合。这说明BP神经网络模型可以用来对成都市房地产市场进行预警。我国对房地产市场预警系统的研究仍处在初级阶段，各种预警方法的研究还不够成熟。本文BP神经网络模型的预测较为理想，可为我国房地产预警研究提供参考，促进房地产市场的持续健康发展。但是本文仍存在局限：一是由于房地产市场起步较晚，现有的数据不完整，导致训练样本偏少，模型的精确度不够。因此建议我国健全房地产市场数据库，以便对房地产业发展进行检测；二是指标的选取主要依据的是以往的研究，因此指标体系仍需完善，以提高其科学性；三是人工神经网络模型无法确定单个指标对房地产市场的影响，导致在寻找警源是存在一定的困难。

[1] 谭 刚．房地产周期波动理论、实证与策略分析[M]．北京：经济管理出版社，2001．

[2] Kenneth D W．A Specification Test for Speculative Bubbles[J]．Quarterly Journal of Economics，1987，102 （2）：553-580．

[3] Clayton J．Rational Expectations，Market Fundamentals and Housing Price Volatility[J]．Real Estate Economics，1996：441-460．

[4] Malpezzi S．The Role of Speculation in Real Estate Cycles[J]．Journal of Real Estate Literature，2005：143-164．

[5] Juliana Y．Comparison of Country Risk Model： Hybrid Neural Network，Logit Models，Discriminant Analysis and Cluster Techniques[J]．Expert Systems with Application，2005：28：137-148．

[6] 赵黎明，贾永飞，钱伟荣．房地产预警系统研究[J]．天津大学学报（自然科学版），1999，4（1）：277-280．

[7] 丁烈云，徐泽清．城市房地产预警系统的设计与开发[J]．基建优化，2000（21）：5-8．

[8] 郭 磊，王 锋，刘长滨．深圳市房地产市场预警系统研究[J]．数量经济技术经济研究，2003（7）：22-26．

[9] 陈 峰．房地产公司全面预算的编制与控制方法[J]．财务与会计，2007（17）：13-14．

[10] 王文萱，龙 浪．基于指数扩散模型的长沙房地产景气循环研究[J]．工程管理学报，2016，30（1）：136-141．

[11] 过仕明，张艳芳．房地产预警系统研究综述[J]．产业发展，2013（1）：107-109．

[12] 傅畅畅．上海市房地产预警体系研究——基于指数预警法[D]．上海：上海交通大学，2014．

[13] 罗欣蟾．上海房地产预警心痛编制方法研究[J]．统计科学与实践，2015（2）：21-25．

[14] 黄宏超．基于人工神经网络的中国房地产市场预警及实证研究[D]．东北：东北财经大学，2013．

Research on Early Warning Model of Real Estate Market Based on Artificial Neural Network—Taking Chengdu as an Example

LIU Jiao，YUAN Hong-ping
（School of Economic Management，Southwest Jiaotong University，Chengdu 611756，China，E-mail：2993999897@qq.com）

With the continuous progress of the society，the real estate industry is booming，so effectively controlling the real estate market is particularly important. According to the characteristics of the real estate market in Chengdu，this study chooses the artificial network to establish the real estate market early warning model to utilize its fault tolerance. Selecting 15 data of real estate industry from the year 2000 to 2014 in Chengdu，the BP artificial neural network model is established，among which the data in the range from 2000 to 2013 were used as the training samples and the data of the 2014 as tested samples. By training 5000 times，got the best result when in the 263th time，and realized the training goal that error is less than 1e-6，and the simulation result has high credibility. The BP artificial neural network model has a high practical significance in foresting the market and promoting the sustainable development of the real estate market.

real estate market；early warning；BP artificial neural network model

F293.3

A

1674-8859（2016）02-147-06 DOI:10.13991/j.cnki.jem.2016.02.028

刘 佼（1994-），女，在读本科生，研究方向：工程管理；

2016-03-15．

国家自然科学基金项目（71203184）．

袁红平（1983-），男，副教授，博导，研究方向：建筑废弃物管理，建筑项目可持续性，项目风险管理。