高速铁路客站商业网点租价评估神经网络模型应用研究

汪天翔

WANG Tianxiang

（中国铁路广州局集团有限公司 经营开发部，广东 广州 510088）

(Business Development Department， China Railway Guangzhou Group Co．， Ltd．， Guangzhou 510088， Guangdong，China)

1 概述

随着高速铁路事业的快速发展，市场需求也推动高速铁路客站商业开发实现了质的飞跃。高速铁路客站商业开发在实现“专业化、规模化”发展的同时，也面临一些新的发展瓶颈。陈玉茂[1]通过将高速铁路商业与机场商业及城市商业进行全方位比较分析，分析高速铁路客站商业开发方面存在的“设计瓶颈”“资源瓶颈”和“客流瓶颈”。国内外很多专家学者针对高速铁路客站商业开发进行了宏观分析，在开发规模、业态布局、空间设计、经营模式和商业资源综合评估等方面进行优化[2-7]。由于“客流瓶颈”受限于铁路运输的总体布局，难以在局部站点优化实施；“资源瓶颈”取决于客站的整体功能定位，规模上限受各方因素影响客观存在，突破难度较大；而“设计瓶颈”主要取决于商业设计布局和经营模式等主观因素，优化的空间较大。

与国外铁路公司类似[8]，国内客站商业开发主要采取租赁经营和合作经营(“保底+提成”租赁)，通过“委外”的方式规避经营风险，取得稳定收益，即铁路运输企业完成商业网点建设，通过公开招商引入商家经营。因此，从铁路运输企业的角度来看，应统筹考虑存在的客观限制因素，通过科学合理的布局设计和招商方案设计，以及经营环境的定量评估，找到最优的开发方案，达到资源开发最优化的目的。在理论研究方面，谭啸等[9-10]利用灰色系统理论、小波神经网络等方法建立了以高速铁路站点为基本单元的高速铁路客站整体商业价值评估体系；杨柯[11]分析旅客的走行特点，以及商业网点位置对商业价值的影响，利用零售学中的磁石点理论结合专家打分，对单个商业网点与经营环境的关联度进行评估，从而优化商业布局。在实践应用方面，中国铁路上海局集团有限公司比照大型购物中心经营模式，运用统一支付的企业资源计划(ERP)系统，实时掌握商铺经营情况，使“保底+提成”租赁模式得到了充分运用。但该系统只通过经营结果反映租价，未实现更为全面的租价评估。

另外，传统的房地产价值评估方法主要有收益法、成本法和市场法。收益法是以房地产的预期收益能力为导向，求取估价对象的价值。由于收益法仅可用于已经投入运用可取得收益的资产，对待开发的资产不适用，因而存在一定的局限性。成本法是将估价对象在指定估价时点时的重置价格扣除折旧，从而估算对象的客观合理价格。由于客站商业网点租价主要体现在交通可达性方面(或地理位置方面)，成本法难以准确计量。市场法是通过比较评估资产与最近售出的此类资产的异同，并将类似的市场价格进行调整，从而确定被评估资产的价值。由于客站商业开发趋于成熟，经营者掌握了大量历史经营数据，可以通过参考与待开发商业网点经营环境类似的已开发商业网点，实现价值评估。但是，在实际操作中，市场法价值评估需要进行大量经营数据分析，才能得出较为准确的评估结果，评估周期长，不能适用于日常经营要求。而神经网络具有极强的非线性处理问题能力，可以将经营环境中各种非线性的影响因素通过神经网络非线性的传输函数映射成线性可分，让网络进行自我学习和训练，找到商业网点租价与各影响因素的内在联系(函数拟合)，从而实现较为准确的租价评估。神经网络可实现的功能与人工市场法价值评估吻合，相比人工评估成本更低，加上日常的经营管理不需要正式的评估报告，因而具有较高的实用价值。为此，将统筹运用影响商业网点租价的各类评估指标，利用神经网络技术实现独立商业网点的租价评估，将租价评估功能植入资产管理信息系统，为商业经营者优化设计提供参考依据，以进一步提升高速铁路客站开发效率效益。

2 高速铁路客站商业网点租价评估指标构建

影响客站商业网点租价的主要因素包括外部环境、客站经营环境及管理机制等多个方面[3]。其中外部环境主要指城市、车站周边区域等相关特征；客站经营环境主要指站内商业网点、客运设备设施、客站环境、客流等相关特征；管理机制指管理模式和盈利能力等。

相对独立的商业网点而言，同一站点的不同商业网点具有相同外部环境，同一运营者的各商业网点租价不产生变化，且经营商家的盈利能力无法在未经营的情况下进行衡量。因此，对于独立商业网点主要取决于客站经营环境。商业网点对顾客的相关吸引力取决于商店的规模和距离2个要素[12]，利用系统设施布置方法(Systematic Layout Planning，SLP)[11]通过定量分析来描述客站经营环境，特征指标包括位置特征、商业网点特征、客流特征和时间特征4个部分。

（1）位置特征。主要反映商业网点距客流主动线的距离，而客流主动线可以从以下方面进行描述。从宏观来看，对于大中型车站而言(小型站一般没有商业夹层且商业网点主要集中在候车区)，按照区域功能可分为候车区、商业夹层、进出站区3类。候车区主要特点是旅客停留时间长，促成商业交易的可能性较大；商业夹层主要特点是虽能产生聚集效应，但远离客流主动线；进出站区主要特点是客流密度大，但停留时间短。从微观来看，对于同一区域而言，不同商业网点也有不同的位置特点。从旅客走行流线设计来看，安检仪、楼/电梯、验票闸机、卫生间是旅客乘车使用频率较高的设施，即客流较为集中的点位(热点)。从目前的研究来看，单一热点区域与商业网点租价并不存在明显的线性关系，但从研究成果来看，应该存在相关性[12]。基于地理信息技术相关功能，可以获取任意商业网点距各类热点的直线距离，来描述距客流主动线的位置特征。

（2）商业网点特征。主要反映商业网点规模和经营质量。从实际运用的角度来看，对于新增商业网点需要在出租前事先掌握商业网点的租价。在此阶段，所掌握的信息只有商铺面积和业态。因此，将商铺面积、业态作为商业网点特征。

（3）客流特征。主要反映商业网点潜在顾客的体量和消费水平。消费水平体现在人均支配收入、消费水平等城市相关特征数据；体量水平体现在车站类型、车站性质、站房面积、候车室面积、旅客发送量和到达量等车站特征数据。

（4）时间特征。结合目前的主要经营模式，价值评估结果主要通过商铺租价来量化体现。而在实际经营过程中，商铺的招商往往不是在同一时间节点完成的。同一商铺在不同时间完成招商，可能得到不同结果。从目前的经营模式来看，每年租价是根据首年租金价格加上年固定递增率。因此，商铺招商成交的时间将对评价结果产生显著影响，需列为评估的一项特征。

综上分析，高速铁路客站商业网点租价评估指标体系大部分特征采用定量分析，尽可能地通过客观描述来反映客站经营环境。高速铁路客站商业网点租价评估指标体系如表1所示。

表1 高速铁路客站商业网点租价评估指标体系Tab.1 Evaluation index of commercial premises rent pricing

3 高速铁路客站商业网点租价评估神经网络模型

神经网络是由多个神经元相互链接组成，神经元是神经网络最基本的组成部分，样本参数通过输入非线性传输函数，计算得到神经元输出。神经网络评估模型基本函数表达式如下。

式中：y为单个神经元输出；xi(i=1，2，…，R)为样本各项参数；wi(i=1，2，…，R)为连接权值；b为偏置值。

在众多神经网络模型中，结合神经网络的功能特点，采取适用于评估预测的BP前馈网络[13]、RBF径向基网络[14-15]、ELMAN拉曼反馈网络等，找到合适的优化算法，通过一系列优化算法，提升网络的学习速度、泛化能力，提高预测的速度和准确率。神经网络模型主要步骤如下。

（1）完成数据预处理。基于高速铁路客站商业开发经验累积，确定指标选取的范围，分析指标数据获取的可行性，取得一定数量的指标样本和历史经营结果(训练目标)。通过分析样本的特点，分析样本各项参数对历史评估结果的影响程度，删除影响程度低的特征指标，以减少神经网络学习难度。利用统计分析中常用的特征价格模型[12]，通过逐步回归的方式，对样本特征进行筛选。特征价格模型常用的函数表达式为

式中：Pi为价值量；zi为解释变量；n为解释变量个数；ui为随机误差量；β0为特征变量之外其他影响价值的常量；βi为待测算特征变量参数。

通过对样本特征进行显著型分析，结合采集数据情况，剔除对商业网点租价影响不显著的特征指标，减少特征之间多重共线性干扰，提高模型的准确性。

（2）数据归一化和分类。确定输入输出后，还需要对所有数据进行归一化处理，将所有数据转化为[0，1]或[-1，1]之间的数，以减小各维数据间数量级差别对预测结果的影响，以提高网络的训练速度(收敛速度)。由于样本数据体量较小，相邻数据大多为同一车站样本(样本分布不均)，单次训练可能导致神经网络泛化能力不足。样本数据归一化后，需要将数据样本通过交叉验证的方式循环测试，找寻泛化能力更高的训练数据后，将样本分为测试数据和样本数据2个部分。该方式增加了大量计算时间，但在非实时预测的情况下，效果较好。

（3）选定神经网络结构。神经网络模型的结构是影响预测结果准确性的关键因素，为进一步提高预测的准确性，采用RBF和BP 2种模型分别进行测算。由于客站商业网点租价评估(预测)不需要在实时环境中应用，可以不选择反馈网络进行预测，以减少运算量。

①RBF神经网络。RBF神经网络是一种在高维空间进行插值的多层前馈神经网络，网络结构简单，非常适合非线性函数拟合。一般仅有隐含层、输出层共2层，算法原理是用RBF作为隐含层神经元的“基”构成高维空间，将低维的模式输入数据变换到高维空间，使得在低维空间内线性不可分的问题在高维空间内线性可分，激活函数通常采用高斯函数。由于该模型隐含层节点数等于样本数，对于每个训练样本，只需要对少量的权值和阈值进行修正，因此训练速度快。第j个输出节点的函数表达式如下。

式中：yj为第j个隐层节点的输出值为第p个输入样本；p=1，2，…，P，P为样本总数；σ为宽度常数；ci为网络隐含层结点的中心；wi为隐含层到输出层的连接权值；R为隐含层节点数。

基于K-均值聚类法，对于高斯基函数，其隐含层和输出层之间的连接权值为

②BP神经网络。BP神经网络是多层神经网络中最典型的前馈网络，算法基本原理是先确定网络基本架构，通过计算最后一层网络的输出误差的反向传播来修改网络权值和阈值，实现网络训练。BP神经网络广泛用于数据预测，小波神经网络[8]正是BP神经网络的一种变换形式，即利用小波基函数代替BP神经网络常用的传输函数。BP网络学习算法有最速下降BP算法、动量BP算法、学习率可变的BP算法等多种形式，采取最速下降BP算法，表达函数如下。

式中：x(k)为迭代各层之间的连接向量；k为迭代次数；g(k)为神经网络输出误差对各权值或阈值的梯度向量；∂为学习率；e(k)为网络输出的总误差性能函数。

（4）完成神经网络算法的优化。RBF、BP神经网络模型分别按照局部逼近和全局逼近的方式构建网络。对于相同的数据样本，信息采集(训练)的结果有很大差别，为了在有限数据样本中提炼更多信息量，可在上述2种神经网络分别完成预测后，通过一定方式将2种预测结果优化组合，形成一种组合预测模型，以进一步提高预测精度。在此基于熵值法完成组合预测，组合预测原理示意图如图1所示。

图1 组合预测原理示意图Fig.1 Schematic diagram of combined prediction principle

其中算法优化主要是确定各单一预测模型的权重系数，对于信息量更大、不确定性更少的样本，熵值也就越小，从而权重就越大，而衡量不确定的标准就是评估预测输出与实际输出之间的相对误差。

组合预测算法主要步骤如下。

①对相对误差数据进行归一化，便于计算熵值。

式中：Pij为相对误差归一化结果；e为相对误差；i为模型序列；j为预测样本序列。

②计算不同神经网络模型相对误差的熵值Si。

③计算不同模型的熵冗余度Di。

④得到不同模型的预测结果权重wi。

最终可得到组合模型的预测值。

4 仿真应用案例

以中国铁路广州局集团有限公司管内广州南、长沙南、深圳北等高速铁路客站内300个既有商铺为例，通过采集商铺所在的客站经营环境指标数据和历史租价，经过样本特征筛选（使用SPSS数据分析软件实现），数据归一化和分类处理后，利用神经网络对训练样本数据进行学习，再利用测试样本数据检验模型评估预测的准确度（使用Matlab矩阵实验室软件实现）。

4.1 特征参数的获取

高速铁路客站商业网点特征参数、车站特征参数、时间特征参数、历史租价来源于中国铁路广州局集团有限公司下属公司日常经营报表，其中定性分析的特征参数用实数表示(如业态特征参数设置，餐饮用“1”表示，零售用“2”表示，商务休闲用“3”表示)；位置特征来源公司正在使用的资产管理信息系统中的地理信息管理模块，即利用地理信息技术的距离标尺功能，采集位置特征数据。

4.2 特征参数的筛选

高速铁路客站商业网点租价样本中部分数据有可能由于实际经营过程中某些特殊因素，导致租价过高或过低，考虑到实际应用中难以通过系统进行识别，因而不对样本进行初次筛选，仅对样本特征进行显著型分析，结合采集数据情况，剔除对商业网点租价影响不显著的特征指标，减少特征之间多重共线性干扰，提高模型的准确性。

逐步回归计算后，现有特征参数对商业网点租价的解释能力为81.6%。其中，距饮水间位置距离、车站类别、旅客到达量、人均支配收入、消费指数共5项指标被剔除。经初步分析，该5项指标较其他指标对租价影响性更低，如人均支配收入和消费指数取自于车站所在城市，但车站旅客多为长途旅客，来自不同区域，情况更为复杂。

最终确定高速铁路客站商业网点租价神经网络输入输出指标如表2所示。

4.3 样本数据分类

数据经归一化处理后，将300组高速铁路客站商业网点租价样本中30组样本作为分析模型预测准确程度的测试数据，其余270组样本作为模型训练数据。值得注意的是，由于样本数据体量较小，相邻数据大多为同一车站样本(样本分布不均)，单次训练可能导致神经网络泛化能力不足。为进一步优化网络机构，采用随机抽取样本的方式分离测试数据和训练数据，并通过交叉验证的方式选取最优网络。在此，采用10折交叉验证的方式，将270组样本再次分类(10组)，通过循环测试，找寻泛化能力更高的训练结果。该方式增加了大量计算时间，但在非实时预测的情况下，效果较好。

表2 高速铁路客站商业网点租价神经网络输入输出指标Tab.2 Neural network input and output parameters

4.4 设计神经网络结构

（1）RBF神经网络。采用逐步增加神经元的方法创建径向基神经网络，可使网络结构更为简化，其需要设置的只有扩展常数和学习目标2个参数。在此设置学习目标0.01，扩展常数不宜设置过大，为实现寻优，在1 ～ 40之间利用循环程序测试，选择使基函数初始误差(均方差)最小的扩展常数。此外，还可以根据样本密度调整初始凝聚点，进一步优化算法，提高预测准确度。

（2）BP神经网络。结合数据情况，设定网络结构为4层，输入层节点等于特征参数数量12，输出层节点为1，双隐含层节点数均为4，设置训练误差目标为0.01，学习率为0.1。

4.5 预测结果分析

通过Matlab软件仿真，将BRF模型、BP模型及两者组合模型评估预测的30个结果与实际经营结果（商铺实际租价）进行比较分析。仿真与实际经营结果比较如图2所示。

从仿真结果可以看出，BRF模型、BP模型及两者组合模型评估预测的正确率分别为85.3%，81.6%和90.3%，RBF神经网络较BP神经网络预测效果更好，但相对不同的数据样本，评估预测准确度各有好坏，组合评估预测实现了2种模型在一定程度的优势互补，取得更好的效果。通过对最终结果的分析，发现高速铁路客站商业网点租价评估预测不准确主要受2个方面因素的影响：一是高速铁路较小客站的商业网点过少，可参照的历史数据不够多，导致网络训练时难以采集更多的信息量，影响了模型的判断；二是测试样本的实际经营结果(期望输出)受主观因素影响，偏离了客观结果。

图2 仿真与实际经营结果比较Fig.2 Comparison between simulation results and practical operation results

综上分析，当运营方建立了基本的资产管理信息系统，掌握了上述已知特征数据指标后，可以通过构建上述评估模型，完成既有数据的训练，建立评价体系（在实际应用中，需将上述仿真模型通过AI开发平台如TensorFlow编程实现）。训练完成后，可以针对系统中存在的任意商业网点，实现租价评估预测。由于实际运用当中数据样本较少，神经网络评估预测结果存在一定不确定性（正确率约为90%），不能直接作为法定评估结果使用。但在日常应用中，仍具备一定应用价值。例如：可用作预警分析，当某个商业网点实际经营结果与评估预测数据差别过大时，可提醒经营者在今后的经营过程中进一步调整经营方式。因此，在高速铁路客站商业网点的经营过程中，应及时反映商业网点经营租价，以便进一步优化商业网点租价评估预测结果。

5 结束语

通过运用神经网络模型，建立了高速铁路客站商业网点租价评估方法。该方法可以用于高速铁路客站商业网点租价信息系统大数据分析应用，进而扩展至客站广告资源管理等其他方面，作为高速铁路客站商业网点经营管理的应用工具，有利于进一步提升高速铁路客站经营管理水平，实现高速铁路客站商业网点管理的规模化、专业化、智能化发展。