基于BP神经网络的房地产评估模型研究

摘要：BP神经网络是目前应用广泛运用的神经网络之一，具体来看是按照误差逆向传播算法训练的多层前馈神经网络，作为功能多样、应用范围较广的机器学习算法，凭借其具有较强的自适应性、非线性及大规模并行性，能够极大的减少人力物力的投入，对一些非线性问题的处理较为高效，极大地降低了计算过程中的主观性，因此在房地产评估中具有重要作用。BP神经网络在房地产评估中的应用主要是在传统理论方法的改进和提升，将大量的数据信息通过计算机网络技术来处理，找到影响房地产评估的因素和两者之间的关系，从而能够高效、准确的估值房地产，使房地产评估的效率更高也更加客观具体。本文通过介绍房地产评估对我国经济发展的影响，从房地产评估中引入BP神经网络，并对BP神经网络的功能和特点简要介绍，建立房地产评估模型，根据BP神经网络的不足引入遗传算法，并通过实证分析验证遗传BP神经网络模型的精确度和对房地产评估的准确性。

关键词：房地产评估模型;BP神经网络;数据信息

随着我国改革开放进程的推进，经济社会得到快速发展，城市化进程不断加快加快，人们对住房的要求也越来越高，我国房地产市场也由此进入飞速发展时期，这种背景下我国房地产市场面临着制度不完善、价格哄抬虚高、供给调节缓慢以及评估方法效率低下且花费时间较长，而不能满足房地产市场价格评估的需求，导致我国房地产市场在飞速发展时期遇到了很多问题。国家针对房地产市场及其对经济社会发展的影响，也采取了一系列措施调控房地产市场，但由于房地产具有易涨难跌的特性，因此调控效果不够明显。因此继续房地产专业相关人士对房地产价格进行科学评估，进而有利于国家调控整个房地产市场，保持房地产行业的稳定性和人们美好的生活。但由于我国房地产行业起步较晚，对房地产方面的研究也不过几十年的发展，相应的体系和研究尚不成熟，因此在房地产市场评估过程中，所采用的评估方法大都是由房地产专业的专家根据自身经验开展相关评估，或借助于简单的数学模型进行评估，因此传统的评估方法具有较强的主观性，对房地产价格的管控主要是由于估价师个人经验和对形势的分析决定的，再加上房地产市场上尚未形成统一的报价平台，现已发生的房地产交易由于前期系统不完善导致数据较为分散，房地产评估机构无法掌握全部信息，使得现有数据不能得到充分利用。随着大数据的发展和计算机与数学的结合，使一些看似复杂的问题可以通过数学模型的建立立体化呈现，并通过相应的计算程序和模型计算出最优解，解决实际生活过程中遇到的问题。

房地产是一个复杂的行业，影响其价格的因素有很多，房地产价格的高低和需求人数的多少、土地拍卖价格的高低、人均收入水平以及居民的消费观等有很大关系，这些因素有的可以通过具体的数字呈现，有的只能以人们的感官或经验进行描述，因此这些因素中不仅包含了一些定性的因素，还包含众多定量因素，因此对这些数据的收集整理比较困难，尤其是定性数据信息的整理，需要考虑到能否量化，能否能够显著影响房地产价格，并将可以量化且对房地产价格产生显著影响的定性因素定量化，之后再对定量化的数据进行整理、存储到专业的数据库中，并通过先进的方法和模型处理，定量分析影响房地产价格的因素，从而在特定的时间合理的测算和判定房地产的价值。

一、房地产评估对我国国民经济的影响

“衣、食、住、行”是人们日常生产生活中必不可少的一部分，尤其是我国居民，对房子的执念较深，很多人都将是否买房作为自身生活是否稳定、是否有保障的重要评价标准，而房地产作为保障居民“住”方面的专业渠道，是我国国民经济发展的重要成分。随着我国改革开放进程和市场经济建设进程的推进，我国住房市场朝着健康有序的方向不断发展和完善，尤其是在住房福利制度取消之后和住房分配货币化政策的实行过程中，又得到进一步的发展，房地产交易数量显著提升，人们购房欲望显著增加，房地产行业开发、买卖的过程中也诞生了一些和房地产相关的价值评估业务，并随着国家对其的管控和政策调控不断发展壮大，现在已经成为我国国民经济发展过程中必不可少的一部分。

很多人谈到估价，都认为是根据自身对某一件事物的了解和自己以往购买的金额大小对其价值进行评估，是任何有相关经验的人都可以做到的，但房地产估价并非如此，在传承传统估价的同时，遵循一定的估价原则和程序，选用合适的估计方法，为特定估价目的，对特定时点上的房地产价格做出客观合理的测算与判定。房地产作为我国宏观调控和人们经济生活中重要组成部分，对整个社会发展、人民幸福具有重要影响，从宏观层面上来看，房地产估价是否客观、合理及公正，对我国产业结构调整效果的优劣以及资产充足的合理性具有重要作用，能够直接关系到能否保障房地产市场交易的双方合法权益，以及企业改革过程中产权交易能否科学、规范实现，甚至是国家对房地产税收的征管以及融资风险的管控等。微观层面上来看，房地产市场包含众多，涉及到人们生产生活中的方方面面，如土地使用权的出让、征收补偿、房地产的抵押典当、房地产作为出资公司的资产、企业对外投资、合作、清算等业务，其中都需要通过房地产评估流程为这些业务的办理提供科学公正的参考依据，总而言之，房地产评估意义重大，现已成为房地产开发、售卖、维护等过程中不可缺少的基础性工作。在未来的房地产市场发展过程中，房地产估价也会逐渐保障房地产市场的公平交易、推动房地产市场价格健康波动以及建立健康的房地产交易市场体系和交易秩序贡献力量。

二、BP神经网络在房地产评估中的应用

在研究房地产评估的过程中，专家和学者针对修正房地产评估的因素最初采用的是简单的多元线性回归、逐步回归等线性的模型，但随着经济社会的逐渐发展，房地产市场的因素也逐渐多样和变化，完全的线性关系已经不能满足房地产价格和影响因素的贴合需求，各影响房地产市場的因素也随着市场的复杂多变而变得有所关联，一些定性的指标处理也变得越来越困难，因此，传统的以线性模型为主的评估方法受到大家的质疑，由此有学者提出非线性模型可以更好的衡量房地产价格和影响因素之间的关系，BP神经网络也作为非线性模型中的一种方法，凭借其独特的非线性算法、较强的自适应性和较大规模并行数据处理能力受到大家的认可和青睐。BP神经网络随着后来学者的不断完善和发展，也变得更加贴合实际。作为神经网络家族中发展的最为成熟、应用范围最为广泛，被广泛应用到机械、工程、科学等诸多领域。

三、影响房地产价格的因素及指标体系的构建

房地产市场涵盖建筑、景观等多个行业和领域，所生产商品的周期较长、产业链较长，且受国家政策的宏观调控而具有较强的政策导向，其具备的特性也决定了影响其价格的因素较为复杂，因此对其价格评估过程中，应当合理的分析影响和制约价格的因素，对不同影响因素细致分析从而正确股价。

（1）房地产价格的影响因素

通常来看，影响房地产价格的因素虽然较多，但一般分为一般、区域和个别三个层次的因素，首先，一般因素是指经济运行中较为普遍的，如经济发展状况、货币和财政政策、物价指数以及利率水平等对各个房地产价格水平都有显著影响的因素，考虑到数据指标的可量化性和可获得性因素，一般因素中影响房地产价格的因素的指标大都难以量化或数据可获得性较差，因此不选用指标;区域因素是指以区域为界限，各区域有所区别的，如地区城市规划、环境状况、基础设施建设优劣等能够对一定区域范围内的估价对象房地产价格水平有显著影响的因素，本文选取了房地产周边的教育设施、所处的区域环境两个反映区域方面的因素;个别因素是指由估价对象自身状况因素如所处位置、所具规模大小、所处地形地势等对房地产价格水平有显著影响的自身状况的因素，本文选用了房地产所在位置的优劣、建筑结构类型、房地产建筑的面积、住宅的主要户型、装修程度、楼层、朝向、房屋新旧程度。本文立足于住宅类房地产，研究对住宅类房地产价格有显著影响的因素，并从三大类别影响因素中选取10个影响房地产价格的因素进行研究等构建房地产估价指标体系。

（2）评估指标体系的构建

选用的10个指标中既有定量指标又有定性指标，为了保证数据的可量化性，需要将定性指标转化为定量指标，定性指标定量化的常见方法是五级打分法，通过所属类别及对应的分数是指标具有可比性，一般将定性指标分为优、良、一般、较差和极差五个级别，分别对应5、4、3、2、1五个分数，按照房地产相关的规定进行打分，本文对住宅类房地产定性影响因素房屋结构、装修、设备三大部分中的项目情况分类打分的打分依据是建设部颁发的《房屋完损等级评定标准》;对区位优劣的打分依据房地产行业公认的标准或者是业主对感受，如房地产周边的交通设施、绿化环境、景观以及公共服务设施建设的完备性等。由此构建出二维房地产价格评估指标体系，预测房地产价格。

四、BP神经网络的构成及应用

BP神经网络本质上以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值，具有任意复杂的模式分类能力和优良的多维函数映射能力。BP神经网络作为一种多层前馈网络，由隐含层、输出层与输入层构成，各层之间由连接点连接，其中隐含层由一层或多层组成，输入输出层则只有一层，每一层内部是没有网络节点连接的。BP神经网络上的每一个节点代表了一直神经元，各神经元之间通过Sigmod函数传递，神经网络的运转过程是通过计算输出结果和希望结果之间差值的最小值，并采用梯度下降法调整各个神经元之间的阀值和权值，直至两者之间的误差函数值达到最小。BP神经网络能够以精确的方式寻找最优值，但由于对网络模型初始权值和阈值的设定的随机性，会产生一些问题，如由于每次训练次数、权数和阈值的不同，导致BP神经网络寻找的最优值不唯一，一些局部值较小;训练次数随着取值和阈值的随机性而较多，运算收敛的速度较慢，整个运算过程花费时间较长。

遗传算法来源于生物进化过程，通过效仿生物界生物进化的规律，根据适应度函数选择染色体，通过选择种群、交叉种群及变异种群等操作进行迭代，保留优秀的个体，并逐步找到问题的最优解，因此遗传算法具有较强的全局搜索能力，因此将遗传算法和BP神经网络算法相结合，能够解决BP神经网络中初始权值和阈值随机性选取的缺点，改善BP神经网络运算的收敛速度慢和泛化能力弱等问题。基于遗传BP神经网络算法的基本步骤如图4.1所示：

通过具体的实例更能够显示出遗传算法改善初始权值和阈值随机性问题，具体如下：

分别用BP神经网络和遗传BP神经网络预测房地产价格，并将两种方式预测出来的结构和实际成交价格对比分析，具体的预测结果如所示：

由表4.1可知，在三种结果的对比中，标准的BP神经网络预测结果误差较大，相对误差处于4.10%-13.31%之间，而遗传BP神经网络预测结果误差相对较小，处于0.47%-2.55%之间，由此可见基于遗传算法的BP神经网络预测精度高于标准的BP神经网络，其在改善初始权值和阈值的随机性方面取得较大进展。

近年来，随着经济社会的快速发展，整个市场的经济形势和市场环境变得更为复杂，房地产作为整个经济社会的关键部位，对其价格的评估和制定对整个房地产企业的发展至关重要。本文从住宅房地产出发，探索BP神经网络预测房地产价格，构建房地产价格评估模型，充分考虑到遗传算法的全局搜索能力，引用遗传算法改进标准BP神经网络模型中初始权值和阈值设置的随机性问题，并通过具体的房地产价格预测实例，探讨遗传BP神经网络预测价格精度大小，从而建立遗传神经网络评估模型，此结果对整个房地产市场价格的评估具有较强的指导性。

参考文献：

[1]汪瑞.房地产评估的BP神经网络模型构建[J].山东农业大学学报（自然科学版）.2017（01）

[2]呂霁.基于遗传算法优化神经网络的房地产评估模型及实证研究[J].计算机科学.2014（11）

作者简介：

刘维军;性别：男;民族：满;出生年月：1974年2月;籍贯 ：抚顺清原县;工作单位：辽宁工业大学经济管理学院;研究方向：电子商务、信息管理;学历：硕士;职称：讲师;

辽宁省教育厅2019年度科学研究经费项目《基于大数据的房地产评估研究》（项目编号：JFW201915403）阶段性研究成果