朱雅菊

(上海交通大學(xué)安泰經(jīng)濟與管理學(xué)院， 上海 200030)

0 引 言

房地產(chǎn)預(yù)警研究一直是理論界和實務(wù)界廣泛關(guān)注的課題, 建立一個房地產(chǎn)預(yù)警模型對于保證房地產(chǎn)業(yè)的平穩(wěn)發(fā)展以及政府管理部門監(jiān)控風(fēng)險都具有重要的現(xiàn)實意義. 目前我國理論界關(guān)于房地產(chǎn)預(yù)警的研究側(cè)重于采用數(shù)學(xué)和統(tǒng)計的方法構(gòu)建預(yù)警模型, 然而運用數(shù)學(xué)和統(tǒng)計的方法有其固有的缺陷, 比如有些模型要求樣本數(shù)據(jù)服從總體正態(tài)分布、 協(xié)方差一致等嚴(yán)格的假設(shè)前提, 而現(xiàn)實情況往往難以滿足這些假設(shè),使得構(gòu)建的模型不能十分有效地進(jìn)行預(yù)測, 得到的結(jié)果與實際值相差太遠(yuǎn).基于此,本文嘗試?yán)媒y(tǒng)計年鑒的數(shù)據(jù), 運用人工神經(jīng)網(wǎng)絡(luò)( ANN) 的方法構(gòu)建財務(wù)預(yù)警模型, 希望能為利用人工神經(jīng)網(wǎng)絡(luò)的方法研究房地產(chǎn)預(yù)警開辟一條新的路徑.

1 房地產(chǎn)預(yù)警模型的選擇

人工神經(jīng)網(wǎng)絡(luò)具有良好的容錯性、 自適應(yīng)性和很強的泛化功能.現(xiàn)實中房地產(chǎn)預(yù)警問題往往非常復(fù)雜,各項財務(wù)指標(biāo)之間互相影響, 呈現(xiàn)出復(fù)雜的非線性關(guān)系, 而神經(jīng)網(wǎng)絡(luò)正是處理這類非線性問題強有力的工具.在模式識別的應(yīng)用中,單層感知器是能一致逼近線性連續(xù)函數(shù)空間最簡單的神經(jīng)網(wǎng)絡(luò), 但是其局限性為對非線性樣本空間不可分.BP 網(wǎng)絡(luò)是一種應(yīng)用最為普遍的網(wǎng)絡(luò), 但其缺點是采用了基于梯度下降的非線性優(yōu)化策略, 有可能陷入局部最小問題,不能保證求出全局最小值[1].本文嘗試用 LVQ 網(wǎng)絡(luò)( learning vector quantization, 學(xué)習(xí)矢量量化)來實現(xiàn)模式識別.LVQ 網(wǎng)絡(luò)是在有教師狀態(tài)下對競爭層進(jìn)行訓(xùn)練的一種學(xué)習(xí)算法.與其他模式識別和映射方式相比, 其優(yōu)點在于網(wǎng)絡(luò)結(jié)構(gòu)簡單, 只通過內(nèi)部單元的相互作用就可以完成十分復(fù)雜的分類處理,也很容易將設(shè)計域中的各種繁雜分散的設(shè)計條件收斂到結(jié)論上來,而且它不需要對輸入向量進(jìn)行歸一化、 正交化處理,只需直接計算輸入向量與競爭層之間的距離即可實現(xiàn)模式識別,因此簡單易行[2].

2 樣本數(shù)據(jù)的收集與預(yù)警指標(biāo)的選取

2.1 樣本數(shù)據(jù)的收集

本研究選取了上海市1995～2009年房地產(chǎn)市場發(fā)展的基本數(shù)據(jù)，采用模型預(yù)警法對1996～2009年的房地產(chǎn)市場發(fā)展?fàn)顟B(tài)進(jìn)行了分析評價，最終得到預(yù)警分析結(jié)論并提出了相關(guān)建議.

2.2 預(yù)警指標(biāo)的選取

預(yù)測模型變量的選取在很大程度上會影響預(yù)測模型的預(yù)測精度.本文在模型指標(biāo)的選取上廣泛考察了已往國內(nèi)外相關(guān)研究中有顯著貢獻(xiàn)和具有代表性的預(yù)測變量,充分借鑒了前人研究的優(yōu)秀成果.

梁運斌把房地產(chǎn)景氣指標(biāo)體系分為靜態(tài)和動態(tài)兩類[4];袁賢禎分析了房地產(chǎn)監(jiān)測預(yù)警的功能和運作思路，以4個檢查值為界限確定紅、黃、綠、淺藍(lán)和藍(lán)5種信號作為預(yù)警信號發(fā)出的指示標(biāo)準(zhǔn)[5];趙黎明等分析了經(jīng)濟預(yù)警中各種方法的特點，采用模糊評價方法進(jìn)行綜合警情的預(yù)報[6].

圖1 基于PSR的房地產(chǎn)預(yù)警指標(biāo)構(gòu)建

本文選取了以下 9個指標(biāo)作為 LVQ 預(yù)警模型的特征向量，如圖1所示，各指標(biāo)解釋如下：

(1)人口壓力：具體用每年的準(zhǔn)予登記結(jié)婚對數(shù)x1來表示，單位為萬對.

(2)資源壓力：具體用市區(qū)人均居住面積x2和土地交易價格指數(shù)x3來表示，其中市區(qū)人均居住面積x2單位為m2，土地交易價格指數(shù)x3以2000年為100，前后年份在此基礎(chǔ)上加以變化推算.

(3)人口狀態(tài)：具體用人均可支配收入x4來表示，單位為元.

(4)資源狀態(tài)：具體用房屋施工面積x5和房屋竣工面積x6來表示，單位為104m2.

(5)市場響應(yīng)： 具體用商品房銷售面積x7、商品房銷售額x8、存量房成交面積x9來表示，單位分別是104m2、億元、104m2.

3 上海市房地產(chǎn)行業(yè)預(yù)警實證研究

3.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理就是將所獲得的數(shù)據(jù)進(jìn)行規(guī)范化處理，為了消除季節(jié)的影響，警兆指標(biāo)的值用同比增長率表示，即當(dāng)期值相對于上年同期值的增長率.在輸入神經(jīng)網(wǎng)絡(luò)之前應(yīng)該對每年的9個指標(biāo)進(jìn)行預(yù)處理，處理方法采用增長率來代替指標(biāo)原始數(shù)據(jù).

表1 數(shù)據(jù)預(yù)處理之后的值

3.2 警度的確定

在此將單指標(biāo)的預(yù)警狀態(tài)劃分為:過高、偏高、正常、偏低、過低，共5個狀態(tài).考慮到上海市房地產(chǎn)經(jīng)濟的數(shù)據(jù)連續(xù)年限不多，如果選擇過大，幾乎沒有數(shù)據(jù)落在異常區(qū)間；而同時房地產(chǎn)經(jīng)濟的相關(guān)數(shù)據(jù)又具有較大的波動性，選擇較小又過于嚴(yán)格，因此結(jié)合研究成果和專家意見，選擇適當(dāng)?shù)膮^(qū)間界限，確定單指標(biāo)預(yù)警線值如表2所示.

表2 單指標(biāo)預(yù)警線值

對過低、偏低、正常、偏高、過高分別賦值1,2,3,4,5，得到單指標(biāo)運行區(qū)域分值表如表3所示.

3.3 警情分析

表3 單指標(biāo)運行區(qū)域分值表

根據(jù)專家經(jīng)驗，評判區(qū)間為最終得分占總分的比例數(shù)值，如表4所示，綜合考慮上海市房地產(chǎn)特征,得出評判區(qū)間為[0,0.51] 、[0.51,0.56]、 [0.56,1].

表4 各年綜合評測結(jié)果

3.4 模型的訓(xùn)練

首先設(shè)置LVQ神經(jīng)網(wǎng)絡(luò)分類器的相關(guān)參數(shù)，由于樣本數(shù)據(jù)的特征向量是9維的，因此設(shè)置LVQ神經(jīng)網(wǎng)絡(luò)的輸入層為9個輸入因子.由于其風(fēng)險級別共有3類，故設(shè)置網(wǎng)絡(luò)的輸出結(jié)果為3種情況，也就是說有3個輸出因子.利用LVQ神經(jīng)網(wǎng)絡(luò)算法開始模型訓(xùn)練，訓(xùn)練結(jié)束后將會生成相應(yīng)的神經(jīng)網(wǎng)絡(luò)，再通過相關(guān)驗證數(shù)據(jù)的輸入將計算出的預(yù)測值與期望輸出進(jìn)行比較分析，得出相關(guān)的結(jié)論.下面將通過MATLAB 7.0編程進(jìn)行仿真，經(jīng)過283次的網(wǎng)絡(luò)訓(xùn)練后，網(wǎng)絡(luò)訓(xùn)練的誤差達(dá)到了要求，誤差曲線如圖2所示.

圖2 LVQ誤差曲線圖

然后對網(wǎng)絡(luò)進(jìn)行仿真，檢驗設(shè)置的網(wǎng)絡(luò)對數(shù)據(jù)的分類是否正確，其源代碼為：

y=sim(net,p)；

yc=vec2ind(y)

輸出結(jié)果為:

First yc = 3 2 2 2 3 2 1 3 2 3

test

0 0

0 0

1 1

Second yc =3 3

從輸出結(jié)果可知yc=tc，因此上述設(shè)置的網(wǎng)絡(luò)分類結(jié)果是正確的.

4 結(jié)束語

本文基于LVQ 神經(jīng)網(wǎng)絡(luò)構(gòu)建了房地產(chǎn)預(yù)警模型,并選取上海市房地產(chǎn)業(yè)1995～2009年的數(shù)據(jù)作為研究樣本進(jìn)行了實證分析, 通過網(wǎng)絡(luò)訓(xùn)練、 仿真與測試, 對選取的樣本得到了較高的分類精度.研究結(jié)果表明, 利用LVQ 網(wǎng)絡(luò)構(gòu)建的房地產(chǎn)預(yù)警模型能夠有效地預(yù)測危機, 同時也驗證了LVQ 網(wǎng)絡(luò)模型具有很好的模式識別功能, 可以被成功地應(yīng)用到房地產(chǎn)預(yù)警的實踐中.

參考文獻(xiàn)

[1] Juliana Yim, Heather Mitchell. Comparison of country risk models：hybrid neural networks, logit models ,discriminant analysis and cluster techniques[J].Expert Systems with Applications,2005,28(1)：137-140.

[2] Riccardo Bigi, Dario Gregori, Lauro Cortigiani,etal. Artificial neural networks and robust Bayesian classifiers for risk stratification following uncomplicated myocardial infraction[J].International Journal of Cardiology,2005,101(3):481-487.

[3] Francesca Viazzi, Giovanna Leoncini, Elena Ratto,etal.Predicting cardiovascular risk using creatinine clearance and an artificial neural network in primary hypertension[J].American Journal of Hypertension,2005,18(5):152.

[4] 梁運斌.我國房地產(chǎn)業(yè)景氣指標(biāo)設(shè)置與預(yù)警預(yù)報系統(tǒng)建設(shè)的基本構(gòu)想[J].城市發(fā)展研究,1996,(3):41-43.

[5] 袁賢禎.房地產(chǎn)業(yè)監(jiān)測預(yù)警系統(tǒng)構(gòu)想[J].中國房地產(chǎn)，1998,(4):16-19.

[6] 趙黎明,賈云飛,錢偉榮,等.房地產(chǎn)預(yù)警系統(tǒng)研究[J].天津大學(xué)學(xué)報(社會科學(xué)版),1999,1(4):262-265.