尹 鵬 楊仁樹 丁日佳 王文博
(中國礦業(yè)大學(北京)力學與建筑工程學院,北京 100083)
商業(yè)地產(chǎn)對改善人們的生活水平,繁榮地方經(jīng)濟,推動國民經(jīng)濟和社會的發(fā)展起到了重要的促進作用。但是,作為一項綜合性、專業(yè)性和技術性極強的投資活動,眾多風險使商業(yè)地產(chǎn)的投資有著很大的不確定性。因此,在項目立項階段對風險因素進行分析,合理估算項目風險水平就是非常有必要的。而目前常用的風險估算方法主要有模糊數(shù)學法和層次分析法等,這些方法主觀隨意性較大。所以,為解決這一問題,本文將BP神經(jīng)網(wǎng)絡應用于商業(yè)地產(chǎn)項目立項階段的投資風險評估,以保證項目建設的順利進行。
人工神經(jīng)網(wǎng)絡(Artificial Neural Networks,簡稱為ANN),是近年來發(fā)展起來的模擬人腦生物過程的人工智能技術,而BP神經(jīng)網(wǎng)絡是目前應用最廣泛也是最成功的網(wǎng)絡之一。
BP神經(jīng)網(wǎng)絡是基于誤差反向傳播(Back propagation)算法的多層前饋網(wǎng)絡(Multiple layer feed forward network),其拓撲結構一般由輸入層、輸出層以及一個或多個隱層節(jié)點互連而成的一種多層網(wǎng)絡。
BP網(wǎng)絡拓撲結構的特點是:各層神經(jīng)元僅與相鄰層神經(jīng)元之間連接;各層神經(jīng)元之間無任何連接或反饋連接。輸入信號傳播到隱含層,經(jīng)過函數(shù)變換,把隱含層輸出信息傳播到輸出層,最后得出輸出結果。
BP神經(jīng)網(wǎng)絡計算過程由信息正向傳播和誤差反向傳播組成。輸入層各神經(jīng)元負責接收外界的輸入信息,并傳遞給中間層的神經(jīng)元;中間層負責信息變換,可為單隱層或者多隱層結構;最后隱層傳遞到輸出層各神經(jīng)元的信息,經(jīng)進一步處理后,完成一次學習的正向傳播,由輸出層向外界輸出處理結果。當實際輸出與期望輸出不符時,進入誤差的反向傳播。誤差通過輸出層,按誤差梯度下降的方式修正各層權值,向隱層和輸入層逐層反傳。周而復始的信息正向和反向傳播一直到網(wǎng)絡輸出誤差減少到滿足要求,或者預先設定的學習次數(shù)為止。
由于商業(yè)地產(chǎn)項目立項階段投資風險涉及內容較多,如何構建全面和可操作性較強的指標體系對于有效評價其投資風險是非常重要的。所以,本文運用Delphi法向多位從事房地產(chǎn)項目風險研究的專家進行咨詢,并參考有關研究資料,確定了商業(yè)地產(chǎn)項目立項階段投資風險評價指標體系用于構建神經(jīng)網(wǎng)絡風險評價模型,具體如表1所示[3]。
表1 商業(yè)地產(chǎn)項目立項階段投資風險評價指標體系
建立一個神經(jīng)網(wǎng)絡模型并完成訓練和學習,需要合理的確定網(wǎng)絡層數(shù)與各層的神經(jīng)元數(shù)。本文根據(jù)前人的研究成果,設計的BP神經(jīng)網(wǎng)絡結構如下[2]:
1)初始值的設計。該網(wǎng)絡的初始值取MATLAB軟件神經(jīng)網(wǎng)絡工具箱的默認值。
2)輸入層神經(jīng)元的個數(shù)。根據(jù)前文建立的指標體系,確認BP神經(jīng)網(wǎng)絡的輸入層神經(jīng)元個數(shù)為12個,即開發(fā)區(qū)位、經(jīng)營業(yè)態(tài)、投資方式、區(qū)域發(fā)展情況、消費者購買力水平、商業(yè)競爭態(tài)勢、投資估算、可行性研究、融資風險、置地風險、工程招標與發(fā)包和拆遷協(xié)商活動。
3)輸出層的設計。輸出層輸出量或者是數(shù)值變量,或者是語言變量。對于數(shù)值型輸出量,可用數(shù)值直接表示,范圍在0~1或-1~1之間的數(shù)。本文主要采用“n中取1”法,將商業(yè)地產(chǎn)項目立項階段投資風險水平劃分為五類,即(高,較高,一般,較低,低),相對應的編碼為(10000,01000,00100,00010,00001)。其中,已建成項目的風險水平及編碼如表2所示。
表2 建成項目風險水平及編碼
4)隱層數(shù)和隱層神經(jīng)元數(shù)。經(jīng)過研究證明,單隱含層的神經(jīng)網(wǎng)絡,如果隱層節(jié)點數(shù)足夠多,那么它就能以任意精度去逼近一個非線性函數(shù)。所以,本文確定隱含層數(shù)為1。
關于隱層節(jié)點數(shù)的確定,是一個較復雜的問題。一般參考以下公式進行試驗:
其中,m為輸出神經(jīng)元數(shù);n為輸入神經(jīng)元數(shù);a為0~10間的常數(shù)。因此,經(jīng)過試驗,a取10,則隱含層的神經(jīng)元數(shù)為14個。
選取6個已完成風險評價的商業(yè)地產(chǎn)項目立項階段的投資風險指標數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡訓練樣本和檢測樣本(4個作為訓練樣本,2個作為檢測樣本)輸入網(wǎng)絡模型,進行學習和訓練,樣本輸入數(shù)據(jù)如表3所示。
表3 神經(jīng)網(wǎng)絡模型訓練和檢測樣本輸入
本文使用MATLAB的神經(jīng)網(wǎng)絡工具箱對BP神經(jīng)網(wǎng)絡進行訓練和檢驗,直到誤差滿足預先設定的要求時,停止學習,此時權值矩陣和閥值向量固定下來,成為模型的內部知識。本文設定的學習步長為500步,學習速率為0.1,誤差限制在0.001。
程序執(zhí)行后,該神經(jīng)網(wǎng)絡模型進行了學習,在第132步模型達到收斂,總體誤差為0.000 835 26,滿足要求,如圖1所示。
圖1 BP神經(jīng)網(wǎng)絡收斂結構圖
計算結果為:
而用于檢驗的第5、第6個商業(yè)地產(chǎn)項目立項階段的投資風險水平為:
計算結果與其基本吻合。所以,用于商業(yè)地產(chǎn)項目立項階段投資風險評價的BP神經(jīng)網(wǎng)絡模型已經(jīng)訓練成功,可用此模型對商業(yè)地產(chǎn)項目立項階段的風險狀況進行評價,以減少和預防風險的發(fā)生。
某房地產(chǎn)企業(yè)要開發(fā)一項商業(yè)地產(chǎn),為了掌握該工程投資風險情況,以便為決策提供依據(jù),該企業(yè)邀請有關專家,對商業(yè)地產(chǎn)項目立項階段投資風險評估指標進行打分,經(jīng)過整理,結果見表4。
表4 項目指標數(shù)據(jù)表
將風險指標數(shù)據(jù)代入訓練好的BP神經(jīng)網(wǎng)絡模型,以對該項目立項階段的投資風險水平進行分析,結果如下:
S=[0.011 7,0.996 7,0.028 5,0.007 0,0.002 7]。經(jīng)過分析,其編碼為(0,1,0,0,0),表明該項目立項階段的投資風險水平較高。所以,該項目開發(fā)過程中,應該時刻加強風險意識,采取有效措施以降低項目的投資風險水平。
在商業(yè)地產(chǎn)的開發(fā)過程中存在很多風險因素,要保證項目開發(fā)的順利進行,就要對這些風險進行評估。本文使用BP神經(jīng)網(wǎng)絡建立了商業(yè)地產(chǎn)項目立項階段投資風險評價模型,用已知數(shù)據(jù)對模型進行了訓練、仿真、檢驗以及應用。該模型不但可以避免了主觀因素造成的評估失真,使結果更加有效和直觀,而且可以利用MATLAB神經(jīng)網(wǎng)絡工具箱使計算過程更加簡單。所以,該模型能夠使房地產(chǎn)企業(yè)對項目立項階段的投資風險進行有效地評估,從而規(guī)避風險的發(fā)生。
[1] 徐 君.礦井安全生產(chǎn)的神經(jīng)網(wǎng)絡評價[J].遼寧工程技術大學學報,2005(24):28-30.
[2] 葛哲學,孫志強.神經(jīng)網(wǎng)絡理論與MatlabR2007實現(xiàn)[M].北京:電子工業(yè)出版社,2007:288.
[3] SUN Gang,ZHANG Ruixin,LUO Fen.Evaluation Method of Coal Mine Production Safety Based on BP Neural Network[J].2009 International Conferences on Information Technology and Computer Science,2010(20):514-517.