基于熵权-灰色关联法的房地产项目风险评估分析

2018-01-06 08:57肖枝洪
重庆理工大学学报(社会科学) 2017年12期
关键词:网签关联系数项目风险

肖枝洪,谭 荔

(重庆理工大学 理学院,重庆 400054)

基于熵权-灰色关联法的房地产项目风险评估分析

肖枝洪,谭 荔

(重庆理工大学 理学院,重庆 400054)

以重庆市两江新区近几年89个房地产项目数据为研究对象,运用熵权-灰色关联法构建房地产项目风险评价模型。该模型不仅具有良好的适应性,同时具有较高的准确性。通过分析发现:项目17、项目86、项目49、项目75、项目53存在较高的风险,与实际情况基本相符;滞销情况、期房网签占比和周边规划配套3项风险指标对房地产风险有极显著的影响。

房地产项目风险;风险预警;熵权法;灰色关联分析

房地产业是众多行业中对经济增长、居民生活水平与社会安定影响最大的行业之一[1]。由于房地产项目本身具有产业链长、涉及面宽、资金密集等特殊性,房地产企业不可避免地面临着各种风险[2-3]。例如,供求关系所带来的房地产市场风险,房地产市场风险所衍生的金融和财政风险,以及房地产引致的社会风险[4]。若房地产企业没有处理好风险,其自身不仅会遭受巨大损失,而且对个人、企业及社会财富也会造成损失。

目前,针对房地产风险的研究大多基于房地产企业财务风险、房地产投资风险、房地产市场风险[5-9],都是单方面地对房地产某类风险进行分析,难以整体性地对房地产企业及行业所面临的风险提出解决办法。对房地产项目风险的研究,相比来说更能准确地发现房地产项目乃至房地产行业所面临的问题。因为房地产项目风险包含了投资房地产项目整个过程中可能造成的损失,例如政治、经济、金融和社会发展对其造成的损失,房地产市场的供求、价格、收益水平和发展趋势波动对其造成的损失,以及周围环境、设施、人口情况和建设过程中出现的一些问题对房地产项目产生的影响、导致的损失[9];故针对房地产项目的风险进行研究,找出影响其风险的因素,才能有效提出解决问题的措施,为房地产企业乃至房地产市场的健康发展起到防微杜渐的作用。

面向企业或者针对项目自身的风险评估与预警的研究较少,但也取得了一定的成果:蔡建民基于动力学的研究方法对房地产项目安全进行研究,主要分析了造成项目系统行为的反馈过程[10],但其研究侧重于从项目宏观层面对项目风险进行管理,没有对项目安全进行定量评估,不能直观地找出风险点。赵树宽将Fuzzy与AHP结合用于大型房地产项目风险的评价,定量地研究了房地产项目的风险值[11],其量化的风险能直观地为项目投资决策提供参考,但AHP方法是将专家意见和分析者的判断结果结合起来,主观因素对评论结果影响较大。何芳等用MIV-BP型网络较有效地对房地产项目风险度进行识别[12],其研究较客观地评价了房地产项目中各指标的权重,但此模型需依赖训练好的房地产项目训练集,该训练集需结合专家意见对房地产项目风险进行评级,对在建房地产项目的评估较为困难,且不同地区的房地产情况可能不同,故该训练集不能直接应用到其他地区,因此方法的普适性较差。针对以上不足,本文采用熵权-灰色关联法对房地产项目风险的主要影响因素进行探测和房地产项目风险值进行客观度量,并选取重庆市两江新区目前相关的房地产项目数据进行实验分析。

本文的创新之处在于:一是将灰色关联分析应用于房地产项目风险预警中,解决了在数据分析中信息不完备的问题;二是采用熵权法与灰色关联分析法相结合,克服了灰色关联分析法的权重需要采用专家打分或平权的缺陷,不仅使评价房地产风险的指标权重更为客观,使用也更为方便。

一、熵权-灰色关联分析法模型

(一)熵权法确定客观权重

熵权法[13-15]是一种依据各指标所包含的信息量的多少确定指标权重的客观赋权法,某个指标的熵值越小,则该指标的权重就越大,在综合评价中起的作用就越大。熵权法充分利用客观数据确定权重,排除了主观因素的影响。

设由m个评价方案n项指标构成的评价矩阵为X=(xij)m×n,i=1,2,…,m;j=1,2,…,n。为了消除量纲,对xij归一化为:

各风险评价指标的熵为:

设wj为各指标xj的权系数,wj定义为:

权系数wj也体现了指标xj所包含的信息量,权值越大表示该指标对综合决策的影响越大,它直接有效地反映了指标间的差异程度。

(二)灰色关联法确定风险值

灰色关联分析法[16-19]的思想是首先根据某个问题的实际情况确定理想的最优序列,然后依据其关联度大小的排序,判断方案的优劣。

对式(1)中的pij进行线性变换,

i=1,2,…,n;j=1,2,…,m

(5)

其中: Δmin=mini(minj(h0j-hij)); Δi(j)=h0j-hij;ρ为分辨系数,用来削弱Δmax过大而使关联系数失真的影响,ρ∈[0,1],本文关于ρ的取值为0.5[17]。关联系数ξi(j)为第i个项目中第j个指标的风险值。

据此,第i个评价方案与风险最大方案的关联度为:

式(6)中,wj的取值由式(3)所确定,其值直接影响关联度的大小与方案的排序。后面将用γi来表示第i个房地产项目的风险值。

二、基于熵权-灰色关联法的房地产项目风险预警分析

(一)数据来源与指标解释

本文数据包含重庆市两江新区119个房地产项目的相关数据,其中有30个项目数据严重缺失,故选取数据较为完整的89个房地产项目来做风险评估分析。

选取科学合理的房地产项目风险指标体系,对于准确预警预控房地产项目风险起着关键性的作用。评估房地产项目风险,不仅要考虑房地产项目内部因素,例如抵押情况、库存占比、去化周期等,还应考虑与房地产项目有关的外部因素,例如周边规划配套,交通状况等。根据已有文献资料[20-22]以及数据的可获取性,本文选择了4类共15项指标作为构建房地产项目风险预警系统的指标,如表1所示。

对于本文所选取的一些定性指标,由于不利于熵权-灰色关联法的运用,故将其进行如下量化处理:

区域位置(X1):按地域间环境条件、生态功能、产业优势将区域位置进行0~1打分,分值越高代表其所处位置环境越不好;

抵押情况(X3):取值按抵押总金额/(建筑面积×售价)计算;

期房网签套数与网签套数比值(X9):期房网签套数/网签套数;

解除网签占比(X10):解除网签次数/网签次数;

周边规划配套(X12):周边规划配套指标的最大风险值为1,若周边规划配套包含以下几项,每包含一项减去0.2分,得到的值为周边规划配套指标的风险值,其中包括医院(3公里内)、幼儿园(1公里内)、小学(2.5公里内)、初中(2.5公里内)、超市(4公里内)共5项;

交通状况(X13):S=轻轨站(1公里内)个数×0.3+公交车站(500米内)个数×0.1,交通状况的得分=1-S/max(S),交通状况得分越高,表示项目周围交通出行越不方便;

开发商是否取得产权证(X15):开发商有产权证取0,无产权证取1,为了刻画其风险性,反过来取值。

(二)结果及分析

1.房地产项目各指标熵值与权值的确定

根据式(2)和式(3)计算得到房地产项目风险指标的熵值和权值如表2所示。

由表2可知:① 这15项指标的熵值最大为0.991,最小为0.878,熵值均大于0.85,说明这15项指标均为风险指标,也说明了本文所选取的指标可以合理地刻画房地产项目风险。② 从权值可以看出,X1、X4和X15的权值分别为0.154,0.121和0.159,相对较大,即区域位置、商铺预售占比、开发商是否取得产权证对房地产项目风险具有较大的影响。

表1 预警房地产项目的风险指标

数据来源:重庆市两江新区房屋管理局所提供的2016年房地产项目数据

表2 预警房地产项目风险指标的熵值和权值

2.房地产项目各指标风险值的确定及解释

根据式(5)计算出各项目指标的灰色关联系数(风险值)都在0到1范围内,其值越接近或等于1,说明房地产项目在这项指标上的风险系数越高。根据各项目指标的灰色关联系数,作箱线图如图1所示。由图1可以看出:① 这89个项目在X6,X9和X12指标的灰色关联系数整体较高,其中位数均大于0.7,说明在整个房地产项目中这些指标风险系数较高。② 这89个项目在X1,X3,X4,X7,X8,X10和X13指标的灰色关联系数(风险值)整体较低,且中位数均小于0.4,说明这些指标在房地产中整体风险系数较低。

由上述分析可知,重庆市两江新区的89项新建房地产项目中抵押情况、商铺预售占比、去化周期和交通状况等指标均表现正常,而年均滞销率、期房网签套数与网签套数比值以及周边规划配套是该区风险较高的3个指标,说明两江新区房地产项目普遍存在着房屋销售状况不理想的情况。究其原因是这些房地产项目大多属于在建项目,在在建过程中以及在建后的销售、签约具有不可预见的风险。周边规划配套风险整体偏高,说明大部分房地产项目周边的医疗、教育、生活等设施配套不齐全,这也会影响购房者的购买意愿。针对此类风险,政府可结合具体情况完善所在辖区内的设施配套,为购房者提供更高品质的居住环境,同时也会带动周边房地产项目的销量,降低年均滞销率。由于在建过程中可能存在不可预知的风险,房地产企业需制定更加完善的施工计划,同时相关政府部门应对房地产项目进行严格把控,保证房地产项目规范运作。

图1 不同指标的灰色关联系数箱线图

虽然X6,X9和X12指标的灰色关联系数(风险值)整体较高,但其权重不是很大;X1,X3和X4等指标的灰色关联系数(风险值)整体偏低,但其指标权重较大。故要评估房地产各个项目的风险,应把各个指标权重与其灰色关联系数结合起来评估。

3.房地产项目风险评估

图2 房地产项目风险质量控制图

由熵权-灰色关联法评估与实际情况对比(表4)可知,在89个房地产项目中有一个预测将低风险及正常的项目错误预测为高风险项目,另一个预测将高风险项目错误预测为低风险及正常的项目。

表4 熵权-灰色关联法评估与实际情况对比

根据熵权-灰色关联法评估与实际情况的对比[24]可得:

由此可知,用熵权-灰色关联分析法评价房地产项目风险时,正确判断高风险项目的概率为0.8,正确判断低风险及正常项目的概率为0.988,整体判断的准确度为0.977 5。该模型不仅具有很高的灵敏度和辨识性,还具有很高的准确性,模型评价结果令人满意。

4.房地产项目风险点识别

熵权-灰色关联法不仅能够甄别出所提供的风险较高的所有项目,而且还能根据各个项目指标的灰色关联系数发现其中存在的风险点,有利于对项目风险进行有针对性地管控。对于5个风险较高的项目:项目17、项目86、项目49、项目75和项目53,按质量控制的原理对其各指标的灰色关联系数将风险分为突出、较高、一般和正常4个范围,在低风险及正常范围内的指标未标出,表5列出的为高风险指标。

由表5可以看出:① 这5个房地产项目的指标X9,X14,X15均呈现“突出”的特点,这5个项目均为销售期房,而且房地产开发商均未取得产权证,说明其存在着不可预估的在建风险。② 这5个房地产项目区域位置的灰色关联度系数很大,说明其区域位置不够理想,给生活上带来诸多的不便,也会对房屋的销售造成一定程度的负面影响。③ 项目17、项目75的年均滞销率得分高,其中项目17解除网签占比尤其大,解除网签人数已经超过了正常的范围,这可能是购房者对开发的项目存在不满意的情况,房地产企业和相关监管部门应彻查原因并限期整改。④ 项目75、项目86在网签后的30天内未备案的灰色关联系数较大,说明这两个房地产企业没有在规定时间内持商品房预售合同向县级以上人民政府房地产管理部门和土地管理部门办理登记备案手续。这将可能导致一房多售的现象出现,损害消费者利益。⑤ 这5个项目的商铺和写字楼占比较普通住宅大,加之区域位置不太理想,故其风险较其他项目更为突出,房地产企业应依据项目的自身定位改善不足,并结合宣传来吸引更多商户入驻。

由上面的分析可以看出,运用熵权-灰色关联分析法对房地产项目风险进行分析,不仅能发现高风险的房地产项目,还能准确找出项目存在的风险点,从而能有效地防控房地产项目风险出现。

表5 高风险项目存在的风险点

三、结论

本文根据熵权-灰色关联法对房地产项目的风险进行评估,在选取影响房地产项目风险指标时,既考虑了其内部因素,又考虑了与房地产项目密切相关的外部因素,使建立的评价指标体系更为完善。采用熵权法,直接利用数据本身的信息来计算权重,克服了灰色关联分析法的权重需要依靠专家打分或平权的缺陷,不仅使结果更为客观,而且可以节约大量的人力和物力。同时,对模型进行了灵敏度、特异性和准确性分析,模型的灵敏度和辨识性都很强,其准确性也很高,说明用该方法评估房地产项目风险是很好的选择。

通过熵权-灰色关联法分析,揭示出区域位置、商铺预售占比、开发商是否取得产权证是房地产项目风险评估中的重要指标,但未必是高风险指标。相较而言,年均滞销率、期房网签套数与网签套数比值、周边规划配套才是高风险指标,其对重庆市两江新区整体房地产项目的风险影响都相对较大。针对两江新区房地产项目的风险建议从以下3个方面着手进行管控:① 房地产企业应提高基层人员的销售能力,加大宣传及优惠促销力度,吸引购房者、减少房产存量。② 政府部门及房地产企业应即时掌握在建项目信息,当出现风险趋势时及时制止,以免造成不良后果。③ 相关部门结合实际情况完善所在辖区内的配套设施,吸引部分购房者在所在辖区置房。

根据熵权-灰色关联法对房地产项目风险的评估值,再利用质量控制图发现高风险项目为项目17、项目86、项目49、项目75和项目53。根据重庆市两江新区房屋管理局提供的资料,用质量控制的原理来划分风险域是合理可行的。再据此对高风险项目各指标进行分析,找出引发房地产项目风险的风险点,帮助相关部门进行房地产项目风险监管。本文基于上述5个高风险房地产项目,发现它们均属于在建项目,由于在建项目在在建过程中以及建后的风险都难以控制,并且其预售效果也难以确定,由此可能会对房地产企业的资金链造成不利影响,所以这类房地产项目出现风险的可能性更大。也就是说,风险点出现在在建项目的可能性很大,房地产企业及相关部门应该针对上述风险点,在问题发生前制定措施降低风险,从而消除其带来的不利影响。

[1] 唐小飞,刘伯强,王春国,等.我国房地产行业发展趋势影响因素研究[J].宏观经济研究,2014(12):59-66.

[2] 阎春宁.风险管理学[M].上海:上海大学出版社,2002.

[3] 沈悦,李计国,王飞.房地产市场风险识别及预警:文献综述及研究方向[J].经济体制改革,2014(5):33-37.

[4] 刘双良,杨志云.风险积聚、政策网络与合作治理——房地产风险的合作治理模式分析[J].中国行政管理,2010(6):104-107.

[5] 阿维纳什·佩尔绍德,王璞,王辰.房地产周期、银行危机与经济衰退[J].新金融,2016(6):10-15.

[6] 向晓璐.我国房地产企业财务风险评价研究[D].成都:西南财经大学,2014.

[7] 李琴.基于支持向量机回归模型的重庆市房地产金融风险预警研究[J].重庆理工大学学报(社会科学),2015(11):78-82.

[8] 王佩.房贷企业信用风险评估[D].西安:西安电子科技大学,2011.

[9] 张小芳.房地产项目风险综合评估研究[D].西安:长安大学,2005.

[10] 蔡建民.基于项目动力学的房地产项目风险管理研究[J].管理现代化,2006,146(4):55-57.

[11] 赵树宽,马力.大型房地产项目投资风险评价体系的研究[J].科技进步与对策,2002,19(4):118-119.

[12] 何芳,王小川,肖森予,等.基于MIV-BP型网络实验的房地产项目风险识别研究[J].运筹与管理,2013(2):229-234.

[13] QU X,HAO Z.The entropy model of fractal supply chain network system based on fuzzy AHP[J].Journal of Computers,2010,5(8):1213-1218.

[14] CHEN T Y,LI C H.A comparative analysis of objective weighting methods with intuitionistic fuzzy entropy measures[J].Journal of the Chinese Institute of Industrial Engineers,2009,26(6):469-479.

[15] 王清源,潘旭海.熵权法在重大危险源应急救援评估中的应用[J].南京工业大学学报(自然科学版),2011,33(3):87-92.

[16] 邓聚龙.灰理论基础[M].武汉:华中科技大学出版社,2002.

[17]CHANGKC,YEHMF.Greyrelationalanalysisbasedapproachfordataclustering[J].IEEEProceedings-VisionImageandSignalProcessing,2005,152(2):165-172.

[18]LIANGRH.Applicationofgreyrelationanalysistohydroelectricgenerationscheduling[J].InternationalJournalofElectricalPower&EnergySystems,1999,21(5):357-364.

[19] 刘莉娜,曲建升,曾静静,等.灰色关联分析在中国农村家庭碳排放影响因素分析中的应用[J].生态环境学报,2013,22(3):498-505.

[20]NASIRD,MCCABEB,HARTONOL.Evaluatingriskinconstruction-schedulemodel(ERIC-S):constructionscheduleriskmodel[J].JournalofConstructionEngineering&Management,2003,129(5):518-527.

[21] 刘军,潘德惠,田喜龙.房地产项目投资前期的风险评价[J].系统管理学报,2007,16(2):194-197.

[22] 李启明.房地产投资风险与决策[M].南京:东南大学出版社,1998.

[23] 肖枝洪.多元数据分析及其R实现[M].北京:科学出版社,2013.

[24]LANTZB.MachinelearningwithR[M].Birmingham:PacktPublishing,2015.

AnalysisonRiskAssessmentofRealEstateProjectBasedonEntropy-GreyCorrelationMethod

XIAO Zhihong, TAN Li

(School of Science, Chongqing University of Technology, Chongqing 400054, China)

Based on the data of 89 real estate projects in Liangjiang New District of Chongqing in recent years, the entropy-grey correlation method is used to construct the risk assessment model for real estate project. The model is not only good adaptive, but also highly accurate. The result shows that the five real estate projects of Project 17, Project 86, Project 49, Project 75 and Project 53 are at high risk, which is basically in accordance with the actual situation. There are three risk indicators: unsalable situation, the proportion of forward delivery housing net signed and the condition of surrounding traffic, which has a very significant impact on the real estate risk. It provides the scientific gist and reference for real estate enterprise to check the risk and the relevant government departments’ decision-making.

real estate project risk; risk assessment; entropy method; grey-correlation analysis

2017-03-15

国家统计局统计科研重点项目“多数据源整合与价值挖掘” (2014LZ25);重庆理工大学研究生创新基金资助项目“重庆市房地产项目风险预警系统”(YCX2016241)

肖枝洪(1965—),男,湖北汉川人,教授,博士,研究方向:数据分析、应用统计。

肖枝洪,谭荔.基于熵权-灰色关联法的房地产项目风险评估分析[J].重庆理工大学学报(社会科学),2017(12):31-37,44.

formatXIAO Zhihong, TAN Li.Analysis on Risk Assessment of Real Estate Project Based on Entropy-Grey Correlation Method[J].Journal of Chongqing University of Technology(Social Science),2017(12):31-37,44.

10.3969/j.issn.1674-8425(s).2017.12.005

F293.3

A

1674-8425(2017)12-0031-07

(责任编辑魏艳君)

猜你喜欢
网签关联系数项目风险
基于ISM模型的EPC项目风险网络分析
新建商品房买卖合同网签备案的探讨
基于灰色关联度对山东小麦新品种(系) 综合表现评价分析
应用灰色关联度法分析稠油热采油井生产主控因素
江苏连云港:实现房屋网签备案数据全国联网
论房屋买卖合同网上签约备案对房屋效力的影响
大豆产量及主要农艺性状的相关性及灰色关联度分析
基于概率分布的PPP项目风险承担支出测算
产业关联视角下北京市交通运输业经济效应测算研究
联锁项目风险应对措施制定与实施