基于BP神经网络的重庆市房价验证与预测

王筱欣，高　攀

(重庆理工大学 经济金融学院，重庆　400054)



基于BP神经网络的重庆市房价验证与预测

王筱欣，高攀

(重庆理工大学 经济金融学院，重庆400054)

利用2000—2014重庆市人均地区生产总值、总人口数、房地产开发投资等相关数据，建立BP神经网络模型，通过与实际数据进行比较和误差分析，验证该模型在房价预测中的有效性。并预测重庆市2015、2016年的房价，以期给政府部门制定房价宏观调控措施提供参考依据。

BP神经网络；房价预测；重庆市房价

一、引言

随着我国经济的快速发展，房地产业已经逐步成为国民经济的重要支柱[1]。房地产业的健康、持续发展对于促进经济的发展以及提高人民的生活水平具有重要的作用[2]。但是，近年来由于房地产供需不平衡以及信息不对称等原因，导致房价持续上升。影响房地产价格的因素错综复杂，如何有效地对房价走势进行预测，抑制房价过高增长成为人们所关心的热点问题。

近年来，随着重庆市房地产市场迅速发展，房地产行业已成为重庆市经济发展的不可或缺的组成部分。重庆市2000—2014年房地产开发投资额、房地产开发企业个数、房屋竣工面积以及房屋销售面积如图1所示。

从图1中可以看出，近年来重庆市的房地产开发投资规模逐年增大；从2006年开始，房屋销售面积开始超过房屋竣工面积，需求的增加刺激房屋供给的增加，从而整个房地产市场呈现出一个快速发展的态势。

自2010年国务院下发“新国八条”开始，重庆市出台了房地产税、差别信贷利率、地方房价调控目标等一系列调控政策，这些政策对重庆市房地产市场的发展产生了比较大的影响。进入2014年，全国房地产市场发生了显著的变化，进入了结构性过剩的新阶段。国家出台了一系列新政，开始了新一轮的调控，而重庆房地产市场作为全国楼市的一部分，也呈现出调整态势。因此，有必要对房地产市场价格做出预测，为政府制定宏观调控政策提供一定的参考依据。

二、国内外研究综述

住宅类房地产价格发展趋势和国民经济以及人民生活息息相关，国内外学者对住宅价格问题开展了研究，构建有效的模型对房地产价格进行预测。在住宅价格影响因素方面，JLuttik通过对荷兰近3 000宗交易实例进行分析，建立hedonic模型[3]，结果发现比较有吸引力的环境周围的房价比一般住宅的房价高。YHu，JYinger和HComments等通过对纽约1990—2000年的住房价格进行测算，估计了学区合并的资本化对住宅价格的影响，发现一些小学周边的房价和租金提高了约25%，根据规模经济效应，学区合并对超过1 700名小学生的学校周围的房价没有太大影响[4]。我国对房价的研究起步较晚，但随着近年来房地产市场的发展，越来越多的国内学者开始研究有关住房价格的问题。如黄厚霞和侯莉颖从经济、人口、金融环境、人们心理预期、租赁以及政府宏观调控等方面对房价影响因素进行了分析[5]。乔林、孔淑红根据2000—2009年数据对国内一线城市和部分二三线城市分别研究，结果发现一线城市和二三线城市的房价影响因素也有所差别，对一线城市房价影响最大的是居民收入，而对二三线城市影响最大的是人口因素[6]。

由于传统经济学模型在房价预测方面的局限性，国内外不少学者建立了更加有效的模型对住房价格进行预测。如VLimsombunchai和CGan等通过对夏威夷Christchurch市200个交易数据分析，分别建立人工神经网络模型和hedonic模型，结果表明人工神经网络模型比hedonic模型预测效果好[7]。SarahDrought和ChrisMcDonald运用一系列的统计模型来预测新西兰房价，发现组合预测是最好的模型，能够产生较小的均根方差[8]。申瑞娜和曹昶等将原始数据用主成分分析方法降维，然后建立支持向量机预测模型，结果证明经过主成分分析的支持向量机具有比较强的预测能力[9]。顾莹和夏乐天以南京市某楼盘为例，将马尔科夫链引入到房价预测过程中，验证了该方法的有效性[10]。秦建成和王景舒基于综合模拟法对重庆市的房地产市场风险进行了评估研究[11]。

从国内外研究现状来看，目前已经有较多的房价预测方法，但是在计量经济学基础上建立的各种经济模型，大部分都是线性模型，而房价的走势复杂多变，通常呈非线性变化，导致传统的预测模型误差较大。BP神经网络具有极强的非线性逼近能力，不用明确输入输出之间的函数关系，通过调整其连接权值和阈值即可对新的数据做出比较准确的预测[12]，本文拟通过对重庆市房价影响因素的分析建立BP神经网络，并对重庆市房价进行预测。

三、BP神经网络的建立

BP神经网络(Back-ProPagationNetwork)又叫做误差反向传播神经网络，是一种按误差逆向传播算法训练的多层前向型神经网络，主要由输入层、隐层、输出层组成[13]。隐层可以有一层或多层，图2是m×k×n的三层BP网络模型。当外界的输入信息提供给网络后，神经元的激活值从输入层向各隐层传递，经过隐层的处理向输出层传递，输出层将经过处理的信息向外界输出，即完成一次学习的正向处理过程。当实际输出值与预期相差较大时，进入误差反向传播过程。按照减少误差的方向，通过不断修正各层权值，从输出层经隐层最后到输入层，即“BP算法”。这种误差逆向传播修正就是BP神经网络不断学习训练的过程。通过这种过程不断提高网络输出的正确性，当误差达到可以接受的程度时停止训练,然后用训练好的网络进行预测。

图2　三层BP网络模型

四、重庆市房价预测模型

1.变量的选取

通过对重庆市房地产市场现状以及居民生活和消费习惯的分析，发现对重庆市房价产生较大影响的因素主要有供给因素、需求因素以及经济发展因素[14]等，如地价水平和房地产开发投资额会影响房屋开发成本和房地产供给量，由此对房价造成一定的影响；人均GDP、人均住房使用面积、人均可支配收入、人均消费性支出以及总人口数等指标会影响居民对住房的需求，进而影响房价走势，即需求越大，房价越高；商品房销售面积的增加导致经济发展水平的提高，从而带动房价的提高。因此，在房价预测过程中要充分考虑这些因素对房价的影响[15]。

本文进行房价预测选取2000—2014年重庆市人均地区生产总值A1(元)、房地产开发投资A2(亿元)、城镇居民人均住房使用面积A3(m2)、城镇居民人均可支配收入A4(元)、城镇居民人均消费性支出A5(元)、总人口数A6(万人)、住宅商品房销售面积A7(万m2)和地价水平值(住宅用途)A8(元/m2)等8个影响房价的指标作为输入变量，即8个输入层节点数，取商品房平均销售价格B1(元/m2)作为输出变量，即输出层节点数为1。具体变量数值如表1所示。确定隐含层节点数的经验公式为：

其中，m为隐层节点数，n为输入层节点数，l为输出层节点数，a为1～12的常数;在本文中先用公式来确定隐层节点数的大致范围，然后根据多次试算确定具体的数目为8。

2.数据的预处理

在运用神经网络进行预测之前，为了避免由于原始数据过大所造成的网络麻痹，需要对原始数据进行归一化处理。将数据范围控制在[-1,1]之间，这样可以尽可能地使数据平滑，从而消除外界因素对预测结果造成的影响。

3.训练样本和预测样本的构造

本文将2000—2011年数据作为训练样本，将2012—2014年数据作为测试样本，建立一个含8个输入层，8个隐层，1个输出层的神经网络，将归一化的输入样本导入网络，再将输出样本导入，通过不断调整调整隐层的权值阈值建立每一年影响房价的各个因素与房价的关系，同时采用滚动预测的方法对房价进行预测，即用2000—2011年的房价预测2012年的房价，对比2012年的实际房价，神经网络的各参数朝着可以减小误差的方向修改，以此类推以达到训练的目的。当误差达到目标时，即可用训练好的网络进行预测；若测试结果没有达到目标，则返回训练，直到测试成功为止。

4.神经网络模型的建立

在神经网络开始预测前，用matlab自带的premnmx()函数将这些原始数据进行归一化处理。BP神经网络各隐节点的激活函数选用Sigmoid函数，输出节点的激活函数选用对数S型sigmoid函数，用newff创建BP神经网络，神经网络的输入层节点数为8，输出层节点数目为1，隐含层节点数为8。网络隐层神经元传递函数是tansig,输出层的神经元传递函数为purelin训练函数为trainglm,最大训练次数为5 000次，学习率为0.15，目标误差为0.000 000 1。

表1　重庆市2000—2014年影响房价的各因素及房价

数据来源：《中国统计年鉴》《重庆统计年鉴》和中国城市地价动态监测网。

5.神经网络的训练和结果

经过权值初始化后对BP神经网络进行训练。经过多次学习和训练，网络误差达到目标精度以下，训练的最佳网络性能如图3所示。从图3中看出，网络经过33次训练达到设定的误差以下，停止训练。

图3　网络性能图

在网络达到最佳训练效果后，保存当前网络，以防止由于初始权值和阈值不同造成的网络不稳定，由此来保证预测结果的准确性。完成对神经网络的训练后，用测试样本数据对训练好的BP神经网络进行测试，并将测试结果与实际房价进行对比，网络输出的预测值与真实值的对比结果如表2所示。

表2　预测值与实际值对比

从测试的结果来看，训练完后的BP网络的预测性能较高，预测房价的误差较小，所以借助BP神经网络模型可以在一定条件下、一定程度上实现对房价走势的判断。

用训练好的BP神经网络进行预测，结果得到重庆市2015年房价为5 770.1元/m2，2016年房价为6 103.8元/m2。通过测试的神经网络具有较高的预测精度，因此对房价的预测结果具有较强的可信度。

五、结论

本文首先分析了全国和重庆市房地产市场发展现状以及相关研究综述，选取对房价影响较大的8个因素建立了BP神经网络模型，通过对预测数据与实际数据的误差分析，评价神经网络的有效性，最终得出了建立BP神经网络模型对重庆市房价预测达到了预期的目标，具有一定的可信度，对政府宏观调控具有一定的参考价值。

由于商品房销售价格影响因素错综复杂，除了本文所提到的因素外，还受国家宏观调控、经济环境等其他因素的影响，这些因素也在一定程度上影响了神经网络对房价预测的客观性，神经网络在短期预测中能够得到较好的效果，但是并不适用于长期预测，在实际应用过程中要考虑这些方面的影响。

[1]李云平.房地产业对中国经济的影响[J].科技与企业,2014(6):56-56.

[2]谢海黎.我国房地产行业发展现状与存在的问题[J].中国市场,2015(16):114-114.

[3]LUTTIKJ.Thevalueoftrees,waterandopenspaceasreflectedbyhousepricesintheNetherlands[J].Landscape&UrbanPlanning,2000,48(3/4):161-167.

[4]HUY,YINGERJ,COMMENTSH,etal.TheImpactofSchoolDistrictConsolidationonHousingPrices[J].NationalTaxJournal,2008,61(4):609-33.

[5]黄厚霞,侯莉颖.房价影响因素综述[J].中国房地产(学术版),2011(7):39-44.

[6]乔林,孔淑红.我国不同发展层次城市房价影响因素的差异分析及对策研究[J].特区经济,2012(5):210-212.

[7]LIMSOMBUNCHAIV,GANC,LEEM.Housepriceprediction:hedonicpricemodelvs.artificialneuralnetwork[J].AmericanJournalofAppliedSciences,2004,1(3)：193-201

[8]DROUGHTS,McDONALDC.Forecastinghousepriceinflation:amodelcombinationapproach[J].ReserveBankofNewZealandDiscussionPaper,2011 (7).

[9]申瑞娜,曹昶,樊重俊.基于主成分分析的支持向量机模型对上海房价的预测研究[J].数学的实践与认识,2013(23)：11-16.

[10]顾莹,夏乐天.加权马尔可夫链在房价预测中的应用[J].重庆理工大学学报(自然科学),2013,27(8):125-130.

[11]秦建成，王景舒.基于综合模拟法的重庆市房地产市场风险评估研究[J].重庆理工大学学报(社会科学)，2014(5)：52-56.

[12]胡万达.基于遗传BP神经网络的区域物流需求预测[J].重庆三峡学院学报，2014(5)：60-72.

[13]潘志安,沈平.神经网络算法在房地产价格分析和预测中的应用[J].信息通信,2014 (1):17-19.

[14]姜松.房地产价格评估方法前沿动态及其应用研究[J].重庆理工大学学报(社会科学)，2015(11)：47-56.

(责任编辑张佑法)

OntheVerificationandForecastofChongqingHousePriceBasedonBPNeuralNetwork

WANGXiao-xin,GAOPan

(SchoolofEconomics&Finance,ChongqingUniversityofTechnology,Chongqing400054,China)

ThispaperusesPerCapitaGDPof2000—2014,totalpopulation,realestatedevelopmentinvestmentandotherrelateddataofChongqing,andestablishesaBPneuralnetworkmodel.Bycomparingwithactualdataanderror-analyzing,thevalidityofthemodelisverifiedinthehousepriceforecast.ThroughforecastingChongqinghousepricein2015and2016,It’sexpectedtoprovideareferenceforthegovernmenttotakemacro-controlmeasuresforhousingprice.

BPneuralnetwork;housepriceforecast;Chongqinghouseprice

2015-12-20

王筱欣(1956—)，女，重庆人，教授，硕士生导师，研究方向：区域经济学、产业经济学。

format：WANGXiao-xin,GAOPan.OntheVerificationandForecastofChongqingHousePriceBasedonBPNeuralNetwork[J].JournalofChongqingUniversityofTechnology(SocialScience)，2016(9):49-53.

10.3969/j.issn.1674-8425(s).2016.09.008

F293.3;F224

A

1674-8425(2016)09-0049-05

引用格式：王筱欣，高攀.基于BP神经网络的重庆市房价验证与预测[J].重庆理工大学学报(社会科学)，2016(9):49-53.