我国房地产业投入产出优化及其预测研究

杨洋洋，杨中宣

(中原工学院 建筑工程学院，郑州 450007)

我国房地产业投入产出优化及其预测研究

杨洋洋，杨中宣

(中原工学院 建筑工程学院，郑州 450007)

运用MAXDEA软件，选用投入导向的CCR模型，并做投影分析，获得相对最优的投入产出数据。在此基础上，以投影数据作为历史数据，构建SPSS19.0软件预测模型，预测2017年1月—6月房地产业投入产出数据，并用相对误差对预测数据进行调整，提高预测精度。结果表明：2013年1月—2016年12月我国房地产业整体效率水平较低，各指标投入严重冗余，资源浪费严重，利用效率低下；由预测数据可知，2017年上半年房地产竣工面积与2016年上半年基本相当，而2017年上半年各指标的投入量与2016年相比却缩减了将近二分之一，表明2016年上半年房地产业各指标投入了严重冗余。政府和企业可以预测数据为基准，指导房地产开发与生产，提高生产效率，优化配置资源，保证房地产业持续健康发展。

房地产业；投入产出效率；优化；预测

一、引言

近年来，房地产业飞速发展，创造了一个新的经济增长点，已经成为国民经济的支柱产业。2016年12月房地产投资累计值高达102581亿元，累计增长6.9%；2016年12月房地产竣工面积累计值达到106128万平方米，累计增长6.1%。房地产业的发展我们都是有目共睹的，并切身感受到发展的成果，大大提高了我国城镇化水平，改善了人民的居住条件和生活质量。我们在享受房地产业带来的福利的同时，也见证了房地产业在发展过程中带来的一些弊端，建筑施工场地雾霾严重，建筑垃圾随处可见，烂尾楼事件频繁发生等等。一系列的问题让我们不得不思考，房地产业的生产效率到底如何？资源是否得到最优的配置利用？政府和企业又将依据何种标准来调控房地产业的生产和运营？

众多学者对此展开了研究。刘晓君[1](2009)、任晓萍[2](2011)、郑潇潇[3](2015)、任阳军[4](2015)以我国各个省、自治区和直辖市的房地产业相关数据为样本，运用DEA方法，构建房地产业DEA效率评价模型，从不同的区域维度对我国房地产业的整体效率水平进行了研究，并给出相应的对策建议。袁峰[5](2010)、丁琦[6](2011)、韦晓慧[7](2015)和白云峰[8](2015)采用DEA方法，选取我国房地产上市公司作为决策单元，收集房地产上市公司相关数据，构建DEA模型，对我国房地产上市公司的绩效状况进行评价，提出了绩效改进措施。

目前，我国学者主要集中在选取不同决策单元或从不同维度对我国房地产业的效率进行分析研究，并给出具体的改进建议，而在房地产投入产出预测方面的研究很少见。基于此，本文在学者们研究的基础上，进一步对我国房地产投入产出进行科学合理的预测，作为政府与企业生产和运营的一个基准。

二、模型简介

(一)DEA模型

数据包络分析(DEA)是1978年A.Charnes、W.W.Cooper和E.Rhodes首次提出的，该方法的原理主要是通过保持决策单元的输入或输出不变，借助于数学规划和统计数据确定相对有效的生产前沿面，将各个决策单元投影到DEA的生产前沿面上，并通过比较决策单元偏离DEA生产前沿面的程度来评价它们的相对有效性。

CCR模型是最早提出的一种DEA模型，此后，在此基础上又衍生出了一系列的模型，其基本原理如下：

minθ

CCR模型分为投入导向和产出导向两个基本类型，投入导向基于投入的技术效率，即在一定产出下，以最小投入与实际投入之比来估计。产出导向基于产出的技术效率，即在一定的投入组合下，以实际产出与最大产出之比来估计。

本文综合考虑实际情况，选取投入导向的CCR模型对我国房地产业投入产出进行优化研究。

(二)SPSS时间序列模型

时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法，一般采用曲线拟合和参数估计方法进行。在SPPS19.0软件中实现时间序列预测的模型有三个：专家建模器、指数平滑法和ARIMA模型。

专家建模器是系统根据数据的特点自动模拟出相对较好的模型，模型类型可以是所有模型、仅限指数平滑法模型或者仅限ARIMA模型，建模简单，适用范围广泛。

指数平滑法由Robert G.Brown提出，该方法有助于预测存在趋势或季节的序列，指数平滑法分为非季节性模型和季节性模型。非季节性模型包括简单模型、Holt线性趋势模型、Brown线性趋势模型和阻尼趋势模型。季节性模型包括简单季节性模型、Winters可加性模型和Winters相乘性模型。

ARIMA模型又称自回归积分滑动平均模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型，包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。

本文在建立预测模型的过程中，首先使用专家建模器，然后运用指数平滑法或ARIMA对模型加以调整，寻找最优的模型。

三、房地产业投入产出优化

(一)变量与数据

以2013年1月至2016年12月48个月作为决策单元，综合考虑房地产业特点、指标选取科学性和数据可获得性，选取房地产投资累计值、房地产业固定资产投资额累计值和房地产业土地购置面积累计值3个指标为投入指标，选取房地产竣工面积累计值为产出指标。采用国家统计局公布的房地产业相关数据，由于选取的各指标是累计值，2013年1月、2014年1月、2015年1月、2016年1月这4个月的数据官网未公布，考虑到时间的连续性，本文对这4个月数据加以处理，分别取为2013年2月、2014年2月、2015年2月、2016年2月这4个数据的二分之一，各指标的初始数据如表1所示。

(二)结果与分析

采用MAXDEA软件，选取DEA模型中以投入为导向的CCR模型，其技术效率值如图1所示，只有2013年1月、2013年2月、2016年1月、2016年2月技术效率值为1，处于生产前沿面上，有79%的数据位于0.5—0.8之间，平均技术效率值仅为0.6491，可见，2013年1月—2016年12月我国房地产业整体效率水平并不高，其投入产出效率有待提高。基于此，本文对2013年1月—2016年12月的投入产出数据做投影分析，得出相对最优的投入产出目标值，如表2所示。

由表2可知：第一，房地产投资累计值平均投入冗余率高达70.53%，其中，只有25%的数据投入冗余率位于50%以下，22.92%的数据投入冗余率超过了100%，资金投入过剩，说明资金利用率不高，造成资金闲置，延长资金投资回收期，降低企业总收益。

第二，房地产业固定资产投资额累计值平均投入冗余率高达78.68%，其中，只有22.92%的数据投入冗余率位于50%以下，37.5%的数据投入冗余率超过了100%，固定资产投资冗余，说明固定资产使用率降低，增加生产成本，加大房地产企业的经营风险。

第三，房地产业土地购置面积累计值平均投入冗余率高达61.39%，其中，只有35.42%的数据投入冗余率位于50%以下，14.58%的数据投入冗余率超过了100%，土地投入过剩，说明房地产开发商炒房现象严重，盲目地买地投资，造成土地资源闲置浪费。

由此可见，房地产业乱投资现象严重，各个行业纷纷进入房地产业瓜分蛋糕，造成房地产业投资严重过剩。房地产业投入过剩，资源利用率不高，这也是造成房价上升的一个原因，因此，政府需要加强管制和监督，提高房地产业进入壁垒，优化房地产业资源配置，改善房地产业投入产出效率，保证房地产业持续健康发展。基于此，本文以2013年1月—2016年12月相对最优的投入产出投影数据作为历史数据，预测2017年1月—2017年6月房地产业最优生产前沿面，以此作为政府调控房地产业的一个基准。

表1 房地产业投入产出优化初始数据

图1 房地产业投入产出优化DEA技术效率值

时期Projection(房地产投资累计值(亿元))Projection(房地产业固定资产投资额累计值(亿元))Projection(房地产业土地购置面积累计值(万平方米))Projection(房地产竣工面积累计值(万平方米))2013013334．854038．1851906．3556762．222013026669．78076．373812．7113524．4420130310409．6709612701．491854861．97409619473．4120130412771．8202815591．562225876．41278623758．920130515724．0553519225．403226897．94391328745．0720130619524．1053523892．01738334．65100235346．0720130723086．4493228260．319089753．78118741642．7120130826086．3313231956．3267710752．0454246649．6620130929482．9702336118．356212139．9290952705．6120131033896．8745641596．7443213154．2503959390．1920131137648．963445997．4269516911．5484969419．6520131254919．5638667087．6326924782．99098101434．992014013199．910833891．2629071643．0944386209．122014026399．821667782．5258143286．18887612418．2420140310548．5622612942．47694118．98441318520．1720140413800．2452716964．158025026．6044223685．4620140517941．7830222060．699256473．05696930700．4220140622498．8207127680．58947928．63706138214．9620140725593．5573531484．957969054．54021743524．4920140829293．1732336039．5669210325．2650149758．8120140933358．0490241050．0292211651．6280256503．820141037718．2024446415．6072113174．3183263888．8820141144548．4070554844．1012315296．5716275062．6620141263329．3201777921．2353322245．60452107459．052015013279．1946064044．0181741047．3456355407．272015026558．3892128088．0363472094．69126910814．5420150311033．1886713677．241782724．96341516993．6520150413770．6301917070．698623401．05336621209．9420150517277．560621418．048834267．1907426611．4220150621387．225626512．576225282．19076532941．2520150724563．4521930449．970966066．65131537833．3720150827577．1576134185．897086810．97258742475．1720150933090．5348941020．529978172．65975150967．0420151039734．7366749256．984269813．63656361200．6420151147014．330558281．099411611．5417372412．8920151264950．7471880515．8961416041．45593100039．12016014525．8955610．5051117．86970．922016029051．7911221．012235．613941．8420160312985．6046616097．545323207．16872320000．8220160416541．826420505．999314085．48001125478．2220160520794．0999625777．310745135．70132232027．720160625675．3574331828．33926341．2683139545．9620160729803．1950436945．394187360．75658445903．7820160832847．2335940718．922638112．56949450592．320160937080．0490245966．112889157．98506157111．8120161042338．5812852484．8282910456．7309165211．1620161150016．2909362002．4658812352．9622377036．620161268903．987585416．512417017．82238106128

四、房地产业投入产出预测

(一)模型建立

以上文房地产业投入产出优化的投影数据作为历史数据，采用SPSS19.0软件预测模型，分别对房地产投资累计值、房地产业固定资产投资额累计值、房地产业土地购置面积累计值和房地产竣工面积累计值四个指标建立拟合模型，以2013年1月—2016年6月的数据作为拟合数据，以2016年7月—2016年12月的数据作为检验数据。首先使用专家建模器，在此基础上，不断调整模型参数，寻找拟合程度最优的模型，房地产投资累计值和房地产业固定资产投资额累计值分别选择ARIMA(1,1,0)(1,1,0)模型和ARIMA(0,1,0)(1,1,0)模型，房地产业土地购置面积累计值和房地产竣工面积累计值选择指数平滑法中Winters 乘法模型和Winters 加法模型，各指标的拟合模型曲线图如图2—5所示，从图中我们可以比较直观地看出，各个模型的模拟效果都比较好。

表3 房地产业投入产出拟合模型

图2 房地产投资累计值拟合模型

图3 房地产业固定资产投资额累计值拟合模型

图4 房地产业土地购置面积累计值拟合模型

图5 房地产竣工面积累计值拟合模型

(二)模型评价

从图2—5来看，各指标的拟合值与观测值基本重合，从这个角度来说，建立的模型比较合理科学，本文建立模型的目的是为了预测数据，这里用2016年7月—2016年12月的数据来检验模型的预测精度，用各指标实际值与预测值的相对误差来检验。

表4 房地产业投入产出预测模型检验

由表4可知，房地产投资累计值的相对误差绝对值最高为0.0454，最低为0.0065，平均相对误差分别为-0.0204；房地产业固定资产投资额累计值的相对误差绝对值最高为0.0458，最低为0.0028，平均相对误差分别为-0.0154；房地产业土地购置面积累计值的相对误差绝对值最高为0.0357，最低为0.0058，平均相对误差分别为-0.0017；房地产竣工面积累计值的相对误差绝对值最高为0.0417，最低为0.0015，平均相对误差分别为-0.0193。总体来看，四个指标的相对误差绝对值都在5%以下，最高误差为-0.0458，最低误差仅为-0.0015，各指标平均相对误差绝对值都在3%以下。因此，房地产业投入产出各指标预测模型的预测精度比较好，模型构建得比较科学合理。

(三)模型预测

根据各指标拟合的模型，预测2017年1月—2017年6月房地产业投入产出数据，如表5所示。为了提高预测的精度，利用下列公式对预测数据进行优化调整，得到如表6的优化预测数据。

F——优化预测值

A——预测值

w——相对误差

表5 房地产业投入产出预测值

表6 房地产业投入产出优化预测值

图6 投资累计值优化预测值与实际值比较图

图7 固定资产投资额累计值优化预测值与实际值比较图

图8 土地购置面积累计值优化预测值与实际值比较图

图9 竣工面积累计值优化预测值与实际值比较图

表6为调整后的优化预测值，图6—9为房地产投资累计值、房地产业固定资产投资额累计值、房地产业土地购置面积累计值和房地产竣工面积累计值四个指标2017年1月—6月与2016年1月—6月的比较图，从图中可以清晰地看出：

第一，由图6—8可知，房地产投资累计值、房地产业固定资产投资额累计值和房地产业土地购置面积累计值三个指标的投入2017年1月—3月同比2016年略有增长，而在2017年4月—6月同比2016年投入有明显的降低，2017年上半年房地产投资、房地产业固定资产投资和房地产业土地购置面积三个指标的投入分别为2016年上半年的56.23%、53.41%和58.56%，2017年各指标的投入量几乎缩减了二分之一。

第二，由图9可知，房地产竣工面积累计值2017年1月—5月一直位于2016年的上方，而在6月与2016年重合，说明2017年上半年房地产竣工面积与2016年上半年基本相当，而2017年上半年各指标的投入量却缩减了将近二分之一，表明2016年上半年房地产业各指标投入了严重冗余，2017年需要政府和企业以此为基准，提高生产效率，优化配置资源，加强房地产市场监督和管制，保证房地产业持续健康发展。

五、结论与建议

采用SPSS19.0软件预测模型，分别对房地产投资累计值、房地产业固定资产投资额累计值、房地产业土地购置面积累计值和房地产竣工面积累计值四个指标建立拟合模型，根据各指标拟合的模型，预测2017年1月—2017年6月房地产业投入产出数据，并用相对误差来调整预测数据，提高预测精度。根据以上分析可以得出如下结论与建议：

第一，整体来看，2013年1月—2016年12月我国房地产业整体效率水平并不高，平均技术效率值仅为0.6491，79%的数据位于0.5—0.8之间。 房地产投资累计值平均投入冗余率高达70.53%，22.92%的数据投入冗余率超过了100%；房地产业固定资产投资额累计值平均投入冗余率高达78.68%，37.5%的数据投入冗余率超过了100%；房地产业土地购置面积累计值平均投入冗余率高达61.39%，14.58%的数据投入冗余率超过了100%。由此可见，房地产业资源浪费严重，利用效率低下。近年来，各行各业纷纷踏足房地产业，一味地盲目投资，肆意炒房，烂尾楼不断出现，给房地产业的发展带来诸多问题和阻碍。对于房地产企业来说，需要不断地改革内部管理制度，提高生产效率，优化配置资源，才能保证企业的长足发展。对于政府来说，需要不断地完善房地产业法律法规，加强对房地产市场的监督和管制，提高房地产业进入壁垒，保证房地产业持续健康发展。

第二，四个指标的拟合模型相对误差绝对值都在5%以下，最高误差为-0.0458，最低误差仅为-0.0015，各指标平均相对误差绝对值都在3%以下，因此，预测模型的预测精度比较好，模型构建得比较科学合理。以此为基础预测2017年1月—6月的数据，2017年上半年房地产竣工面积与2016年上半年基本相当，而2017年上半年各指标的投入量与2016年相比却缩减了将近二分之一，表明2016年上半年房地产业各指标投入了严重冗余，2017年企业可以此为基准，指导房地产开发与生产，政府也可以此为基准，调控房地产市场，确保房地产市场稳定发展。

[1]刘晓君,张卫红.基于DEA的我国房地产业效率研究[J].建筑经济, 2009(6):49-52.

[2]任晓萍.基于三阶段DEA的我国各省房地产业效率实证研究[J].经济研究导刊, 2011(8):44-47.

[3]郑潇潇.基于DEA方法的我国房地产业效率研究[J].经济论坛, 2015(4):116-121.

[4]任阳军,曹泽.基于DEA和Malmquist指数法的我国房地产业生产效率评价[J].工程管理学报,2015,29(6):134-138.

[5]袁峰.房地产上市公司的绩效:基于DEA的2008年报数据分析[J].兰州学刊,2010(1):124-126.

[6]丁琦,王要武,徐鹏举.基于DEA-FCE的房地产上市公司绩效综合评价[J].系统管理学报,2011,20(2):196-201.[7]韦晓慧.我国房地产上市公司绩效评价研究：基于三阶段DEA的分析法[J].中国房地产:学术版,2015(36):20-28.[8]白云峰.基于DEA方法的上市房地产企业绩效评价研究[D].哈尔滨：哈尔滨商业大学,2015.

(责任编辑 刘成贺)

Research on the Optimization and Prediction of China’sReal Estate Industry Input and Output

YANG Yang-yang, YANG Zhong-xuan

(College of Architecture and Civil Engineering, Zhongyuan University of Technology, Zhengzhou450007,China)

In this paper, we obtain the relative optimal input-output data in the projection analysis processing by the input oriented CCR model in MAXDEA software. On this basis, regarding the projection data as historical data, this paper constructs prediction model by SPSS19.0 software, forecasts January 2017 - June 2017 real estate input-output data, and the relative error to adjust the prediction data, and to improve the prediction accuracy. The results show: From January 2013 to December 2016, the overall efficiency of China’s real estate industry is relatively low, the input of each index is seriously redundant, the waste of resources is serious, and the utilization efficiency is low; The forecast data shows that the first half of 2017’s completed real estate area compared with the completed area of the first half of 2016 is quite basic, but in the first half of 2017 the target amount of investment reduces by nearly 1/2 compared with the amount of investment in the first half of 2016, shows that each index during the first half of the real estate investment is seriously redundancy. Government and enterprises ensure the sustainable and healthy development of the real estate industry on the basis of the forecasting data, through the guidance of real estate development and production, improving production efficiency, optimizing the allocation of resources.

real estate industry; input-output efficiency; optimization; forecast

2017-04-16

河南省科技厅科技攻关项目“基于虚拟组织理论的产业集聚数字化管理技术研究”(162102210091)

杨洋洋(1992—)，女，河南周口人，中原工学院建筑工程学院硕士研究生，研究方向：工程管理。

10.13783/j.cnki.cn41-1275/g4.2017.03.008

F293.3

A

1008-3715(2017)03-0037-07