劉 佼，袁紅平

（西南交通大學 經(jīng)濟管理學院，四川 成都611756，E-mail：2993999897@qq.com）

基于人工神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)市場預(yù)警模型研究
——以成都市為例

劉 佼，袁紅平

（西南交通大學 經(jīng)濟管理學院，四川 成都611756，E-mail：2993999897@qq.com）

隨著社會的不斷進步，房地產(chǎn)業(yè)迅速繁榮，對房地產(chǎn)市場進行有效的調(diào)控顯得尤為重要。結(jié)合成都市房地產(chǎn)市場的特點，以及人工神經(jīng)網(wǎng)絡(luò)容錯性、易操作等特性，利用人工神經(jīng)網(wǎng)絡(luò)建立房地產(chǎn)市場預(yù)警模型。選取成都市房地產(chǎn)業(yè)2000～2014年的數(shù)據(jù)，建立BP人工神經(jīng)網(wǎng)絡(luò)模型，將2000～2013年的數(shù)據(jù)作為訓練樣本，2014年的數(shù)據(jù)作為檢測樣本。通過5000次訓練，在第263次時得到最佳結(jié)果，實現(xiàn)了誤差小于1e-6的訓練目標，其仿真效果具有較高的可信度。該BP人工神經(jīng)網(wǎng)絡(luò)模型在有效進行市場預(yù)測、促進房地產(chǎn)市場可持續(xù)發(fā)展等方面有較高的實際意義。

房地產(chǎn)市場；預(yù)警；BP人工神經(jīng)網(wǎng)絡(luò)

改革開放以來，我國的宏觀經(jīng)濟持續(xù)增長，房地產(chǎn)市場逐漸完善。1998年頒布了住房體制改革的綱領(lǐng)性文件后，房地產(chǎn)投資額迅速增加，商品房價格不斷上升，房地產(chǎn)業(yè)成為我國經(jīng)濟發(fā)展的第一支柱產(chǎn)業(yè)。然而從 2002年開始，我國房價虛高現(xiàn)象明顯，房地產(chǎn)市場開始出現(xiàn)劇烈波動[1]。房地產(chǎn)業(yè)的穩(wěn)定發(fā)展對促進社會主義市場經(jīng)濟體系可持續(xù)發(fā)展意義重大，因此，有效地對房地產(chǎn)市場進行監(jiān)控顯得尤為重要。雖然已經(jīng)有學者對房地產(chǎn)預(yù)警系統(tǒng)進行了大量研究，但是大多數(shù)是從理論的角度，缺乏模型的實證，即定量分析不足，因此對房地產(chǎn)市場狀況做出的判斷是不具有科學性的。同時預(yù)警系統(tǒng)存在著預(yù)警功能不強、可操作性較差和預(yù)警結(jié)果分析不充分等問題。

早在20世紀80年代，國外學者就開始對預(yù)警模型進行研究。Kenneth[2]首次將設(shè)定性檢驗法引入到房地產(chǎn)市場預(yù)警系統(tǒng)中；Clayton[3]通過研究發(fā)現(xiàn)利用理性預(yù)期對房地產(chǎn)價格的波動進行預(yù)測具有一定的局限性；Malpezzi[4]利用流量平衡模型分析了投機因素對房地產(chǎn)價格波動的影響；Juliana[5]通過對各種預(yù)警模型的比較發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型對房地產(chǎn)市場預(yù)警的效果最好；從20世紀90年代開始，國內(nèi)很多學者也對房地產(chǎn)預(yù)警系統(tǒng)進行了研究，各種房地產(chǎn)預(yù)警方法層出不窮。如趙黎明等[6]將統(tǒng)計預(yù)警方法運用到房地產(chǎn)預(yù)警系統(tǒng)中，使房地產(chǎn)經(jīng)濟分析開始走向定量化；丁烈云等[7]將計算機建模引入到房地產(chǎn)預(yù)警領(lǐng)域；郭磊等[8]利用單指標和綜合指標相結(jié)合的方式對深圳房地產(chǎn)市場進行預(yù)警，預(yù)警系統(tǒng)實現(xiàn)了較好的檢測功能；陳峰[9]運用綜合模擬預(yù)警法對武漢房地產(chǎn)預(yù)警系統(tǒng)進行研究；王文萱等[10]基于擴散指數(shù)模型，建立長沙市房地產(chǎn)景氣循環(huán)評價體系，對長沙市房地產(chǎn)市場警情進行了監(jiān)測。通過對以往預(yù)警系統(tǒng)的分析可以看出，雖然房地產(chǎn)預(yù)警的新方法不斷涌現(xiàn)，但是仍然存在很多問題：一是預(yù)警功能不強。以往的研究大多采用線性分析方法來建立預(yù)警系統(tǒng)，指標選取不夠嚴謹，無法準確、全面地對房地產(chǎn)市場進行預(yù)測；二是可操作性較弱?？v觀以往的研究方法，很多預(yù)警系統(tǒng)需要大量的數(shù)據(jù)，而目前我國房地產(chǎn)市場發(fā)展不夠成熟，數(shù)據(jù)嚴重缺乏，很難獲得良好的預(yù)測效果。另外，一部分預(yù)警系統(tǒng)的技術(shù)性過高，非專業(yè)人員很難理解，不適宜推廣；三是預(yù)警結(jié)果分析不足。大部分學者只是對預(yù)警模型進行研究，并沒有對預(yù)測的結(jié)果進行分析，對實踐缺乏一定的指導。

考慮到目前我國房地產(chǎn)市場發(fā)展不夠成熟，數(shù)據(jù)不完整的特點，本文建立具有非線性、容錯性、自學性等優(yōu)點的人工神經(jīng)網(wǎng)絡(luò)模型，結(jié)合2000～2014年成都市房地產(chǎn)業(yè)發(fā)展數(shù)據(jù)，對模型進行訓練和檢測，較為成功地對成都市房地產(chǎn)市場進行了監(jiān)控和預(yù)警。

1　房地產(chǎn)預(yù)警及預(yù)警方法

預(yù)警是對警情進行預(yù)測，并采取措施防止警情發(fā)生。房地產(chǎn)預(yù)警是一種通過分析經(jīng)濟過程發(fā)現(xiàn)運行規(guī)律的經(jīng)濟預(yù)警。通過預(yù)警可以幫助監(jiān)測部門較為準確地判斷房地產(chǎn)總體運行狀態(tài)，采取措施避免不良態(tài)勢，促進房地產(chǎn)業(yè)持續(xù)發(fā)展。房地產(chǎn)預(yù)警系統(tǒng)組成要素主要有：警情、警源、警素、警兆、警限、警度[10]。其中，警情是預(yù)警的對象，是指房地產(chǎn)業(yè)中存在的與宏觀經(jīng)濟不協(xié)調(diào)、內(nèi)部結(jié)構(gòu)失衡等問題；警源是警情發(fā)生的根源，找到合理的警源是房地產(chǎn)預(yù)警的基礎(chǔ)；警素是警源的具體因素，通常采用多指標體系；警兆是能反應(yīng)警情指標變化的警素，是通過特定的方法選擇出來的；警限是警兆指標的變化范圍；警度即警情的程度。預(yù)警的大致步驟為：①明確警情；②分析警源；③確定警兆；④確定警限；⑤核算預(yù)警指標；⑥劃分房地產(chǎn)市場警界；⑦預(yù)報房地產(chǎn)市場警度。

隨著房地產(chǎn)業(yè)的發(fā)展，學者對房地產(chǎn)市場預(yù)警的研究不斷深入?？偨Y(jié)以往的研究成果，其中較為成熟的預(yù)警方法主要有三類：

（1）指數(shù)預(yù)警法（景氣指數(shù)法）。首先利用數(shù)學方法劃分一組包含先行指數(shù)、同步指數(shù)和滯后指數(shù)的景氣指數(shù)。然后利用這組指數(shù)測定房地產(chǎn)經(jīng)濟的波動。理論上這種方法對房地產(chǎn)市場的預(yù)測具有較高的應(yīng)用價值，但是我國房地產(chǎn)起步晚，不能為各個指標提供足夠的時間序列數(shù)據(jù)進行分析。因此，利用這種預(yù)警法對我國房地產(chǎn)市場進行預(yù)測有較大的局限性[11]。

（2）統(tǒng)計預(yù)測法。該方法對警兆與警素進行統(tǒng)計處理，確定兩者之間的關(guān)系，然后通過警級預(yù)測警度。統(tǒng)計預(yù)測法將多指標合成一個綜合指標，克服了指數(shù)預(yù)警需要大量時間序列數(shù)據(jù)的不足，而且兼顧了單指標和綜合指標的分析。但是該預(yù)測方法難以確定預(yù)警界限[12]。

（3）模型預(yù)警方法。該方法通過建立模型進行回歸分析，從而對房地產(chǎn)經(jīng)濟進行預(yù)警。關(guān)鍵是選擇合適的回歸方法和掌握一定的歷史數(shù)據(jù)，克服了統(tǒng)計預(yù)測法的不足，有較強的準確性[13]。

以往學者大多采用多元線性回歸的方法對房地產(chǎn)預(yù)警系統(tǒng)進行定量分析，雖然有一定成果，但是不能對房地產(chǎn)市場這個復(fù)雜的非線性系統(tǒng)進行很好的模擬，因此構(gòu)建一個非線性的自學習性預(yù)警模型是準確地進行房地產(chǎn)市場預(yù)警的基礎(chǔ)。本文采用較為成熟的BP人工神經(jīng)網(wǎng)絡(luò)進行研究，充分發(fā)揮人工神經(jīng)網(wǎng)絡(luò)的容錯性、非線性、操作簡單等優(yōu)點，結(jié)合成都市房地產(chǎn)發(fā)展的原始數(shù)據(jù)，建立預(yù)警模型。

2　基于BP人工神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)預(yù)警模型

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種由大量節(jié)點聯(lián)接構(gòu)成的模仿生物神經(jīng)網(wǎng)絡(luò)的數(shù)學模型。每個節(jié)點代表一種特定的激勵函數(shù)；每兩個節(jié)點間的聯(lián)接都代表一個權(quán)重；網(wǎng)絡(luò)具有自學習性，可以對算法或者函數(shù)無限逼近。人工神經(jīng)網(wǎng)絡(luò)是一種可以實現(xiàn)任意的函數(shù)關(guān)系的自適應(yīng)系統(tǒng)。

（1）人工神經(jīng)元的數(shù)學模型。人工神經(jīng)元是一種對生物神經(jīng)的結(jié)構(gòu)進行模擬的節(jié)點，其構(gòu)造如圖1所示。

圖1　人工神經(jīng)元模型

從圖中可以得出人工神經(jīng)元的輸入輸出對應(yīng)關(guān)系為[10]：多個具有特定的加權(quán)系數(shù)Wi的輸入信號Xi同時輸入神經(jīng)元，神經(jīng)元首先根據(jù)權(quán)重分配調(diào)整輸入的信號，確定總體效果。然后，神經(jīng)元處理輸入的信號，比較總輸入和偏置值并進行函數(shù)轉(zhuǎn)換，得到輸出y。

（2）基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)警模型結(jié)構(gòu)。大量類似于上述神經(jīng)元按一定規(guī)律相互組合形成人工神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)。人工神經(jīng)網(wǎng)絡(luò)的功能是通過網(wǎng)絡(luò)的訓練來實現(xiàn)的，通過不斷改變權(quán)值和偏置值使網(wǎng)絡(luò)的最后輸出接近期望的輸出。權(quán)值和偏置值的調(diào)整遵循一定的規(guī)則，即學習算法，目前應(yīng)用較廣的算法是有導師學習。本文應(yīng)用其中的BP神經(jīng)網(wǎng)絡(luò)來建立房地產(chǎn)經(jīng)濟預(yù)警系統(tǒng)。依據(jù)柯爾莫哥洛夫定理：任意一個連續(xù)函數(shù)，均可通過一個由輸入層、隱層和輸出層組成的前向神經(jīng)網(wǎng)絡(luò)實現(xiàn)。即只要設(shè)定的參數(shù)合適，BP神經(jīng)網(wǎng)絡(luò)能擬合任意的函數(shù)，無論多么復(fù)雜。以該定理為基礎(chǔ)，建立一個3層的BP神經(jīng)網(wǎng)絡(luò)模型，具體結(jié)構(gòu)如圖2所示。

圖2　基于BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)經(jīng)濟預(yù)警模型結(jié)構(gòu)

在該模型中，輸入節(jié)點數(shù)量等于警兆指標數(shù)量。輸出節(jié)點數(shù)量由警度的警級數(shù)目決定。

3　基于成都市房地產(chǎn)市場預(yù)警的實證研究

鑒于成都市房地產(chǎn)市場起步較晚，本文選取了15年（2000～2014年）的數(shù)據(jù)，借助BP神經(jīng)網(wǎng)絡(luò)對其進行訓練集檢驗，以期對成都市房地產(chǎn)市場的危機進行預(yù)警并提出可行的防范措施。

3.1成都市房地產(chǎn)市場警情判斷

3.1.1警情指標的選擇

商品房銷售面積增長率是衡量房地產(chǎn)市場健康狀況的基本指標，會對當?shù)胤康禺a(chǎn)市場未來發(fā)展趨勢產(chǎn)生重要影響，同時在總結(jié)相關(guān)文獻資料的基礎(chǔ)上，本文選擇其作為成都市房地產(chǎn)市場的警情指標。

3.1.2警度的劃分

現(xiàn)有的房地產(chǎn)警度的劃分主要有兩種，一種劃分為：過熱、微熱、正常、微冷、過冷等5個等級；另一種劃分為：熱、正常、冷等3個等級。前一種劃分方法雖然能夠更詳細地反映警情情況，但是對樣本數(shù)據(jù)的要求高。而成都市產(chǎn)業(yè)起步較晚，數(shù)據(jù)不充足，連續(xù)性不高，如果選用前一種劃分方法，在用神經(jīng)網(wǎng)絡(luò)模型進行分析時，會出現(xiàn)擬合較難、準確度低等問題。

為了確保模型的穩(wěn)定性與準確性，本文將警情指標劃分為：冷、正常、熱3個指標。另外，利用正態(tài)歸一化的方法確定警界，對樣本進行歸一化，將標準差作為警界。即將歸一化后位于區(qū)間（-1，1）內(nèi)的作為“正?！睜顟B(tài)，位于區(qū)間（-∞，-1]內(nèi)的處于“冷”狀態(tài)，位于區(qū)間[1，+∞）內(nèi)的處于“熱”狀態(tài)。根據(jù)警情指標所在的區(qū)間確定警度，成都市2000～2014年房地產(chǎn)市場警度的確定具體如表1所示。

表1　成都市房地產(chǎn)市場警度的確定

3.2 成都市房地產(chǎn)市場警兆指標的確定

房地產(chǎn)市場與社會經(jīng)濟聯(lián)系密切，而且相對數(shù)指標能夠更好地反映事物之間的聯(lián)系，因此本文引入了房地產(chǎn)與國民經(jīng)濟關(guān)系和房地產(chǎn)內(nèi)部協(xié)調(diào)關(guān)系兩大類指標。同時選取了4個能夠表現(xiàn)房地產(chǎn)發(fā)展狀況的指標，共同組成成都市房地產(chǎn)市場警兆指標體系，具體如表2所示。

表2　成都市房地產(chǎn)市場警兆指標

3.3成都市房地產(chǎn)市場預(yù)警模型的訓練與檢測

3.3.1樣本數(shù)據(jù)

經(jīng)過數(shù)據(jù)收集，獲得 15個樣本。每個樣本都有兩部分：一是2000～2013年的警兆指標，作為網(wǎng)絡(luò)的輸入；二是2000～2014年的警情指標，作為網(wǎng)絡(luò)的目標輸出。同時又將前13個樣本作為訓練集，剩下的一個樣本作為檢測集，用于檢測模型的準確性。警兆指標的具體數(shù)據(jù)如表3所示。

為了保持神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性，加快收斂速度，將警兆指標歸一化到區(qū)間[-1，1]內(nèi)，具體結(jié)果如表4所示。

歸一化之后，得到訓練集和檢測集樣本。輸出值用[Y1，Y2，Y3]表示，其中[0，1，0]表示“正常”，[1，0，0]表示“冷”，[0，0，1]表示“熱”。具體數(shù)據(jù)如表5所示。

表3　成都市房地產(chǎn)市場警兆指標數(shù)據(jù)

表4　成都市房地產(chǎn)市場警兆指標歸一化后的數(shù)據(jù)

表5　成都市房地產(chǎn)市場預(yù)警模型樣本

3.3.2敏感性分析

為了判斷各個警兆指標的重要性，以便于在監(jiān)測時進行重點監(jiān)視，需要判斷各警兆指標與警度之間相關(guān)關(guān)系的密切程度，具體結(jié)果如表6所示。

表6　相關(guān)系數(shù)表

從表6可以看出，房地產(chǎn)新開工面積增長率、商品房施工面積增長率、商品房竣工面積增長率、房地產(chǎn)開發(fā)投資額/GDP、房地產(chǎn)開發(fā)投資額/固定資產(chǎn)投資額這5個指標與房地產(chǎn)市場警度的關(guān)聯(lián)度較大，在檢測時應(yīng)重點監(jiān)視。

3.3.3BP網(wǎng)絡(luò)設(shè)計

借助Matlab的人工神經(jīng)網(wǎng)絡(luò)工具箱編寫程序，隱層神經(jīng)元的傳遞函數(shù)選擇Tansig函數(shù)，輸出層選擇Purelin函數(shù)，選擇“動量梯度下降發(fā)傳播算法”作為學習算法，訓練 5000次，訓練目標是誤差小于1e-6，在第263次訓練時得到最佳結(jié)果，具體訓練效果見圖3。

3.3.4預(yù)警模型的檢驗

BP神經(jīng)網(wǎng)絡(luò)訓練完畢后，用檢測集檢測網(wǎng)絡(luò)的準確性。將 2014年的警兆數(shù)據(jù)作為檢測集輸入神經(jīng)網(wǎng)絡(luò)，將經(jīng)模型運行之后得到的實際輸出值與目標值進行比較。若滿足誤差要求則說明模型較準確，可進行實際預(yù)測；否則，需要重新訓練，直到誤差滿足要求為止。最后的運行結(jié)果如表7所示。

圖3　Matlab BP訓練效果

表7　測試樣本的輸出值和實際值比較

從表7的具體結(jié)果中可以看出，目標輸出和測試結(jié)果反映的信息基本相同。因此，基于BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)市場預(yù)警系統(tǒng)的預(yù)測能力達到預(yù)期水平，其仿真效果具有較高的精確度，可以利用該模型對成都市房地產(chǎn)市場的發(fā)展進行監(jiān)控。

4　建議

通過對成都市2000～2014年房地產(chǎn)市場數(shù)據(jù)的進行歸一化處理，可以看出這 15年中成都市房地產(chǎn)業(yè)的發(fā)展穩(wěn)中有升，房地產(chǎn)經(jīng)濟運行沒有出現(xiàn)大起大落的波動。其中，2008年受到金融危機和“5·12汶川地震”的影響，成都市經(jīng)濟出現(xiàn)不景氣現(xiàn)象，商品房銷售面積明顯降低，房地產(chǎn)市場處于“冷”的狀態(tài)。但是在 2009年，成都市經(jīng)濟穩(wěn)步上升，房地產(chǎn)市場快速回暖，上升到“熱”的狀態(tài)。成都市房地產(chǎn)業(yè)一直是西部地區(qū)房地產(chǎn)發(fā)展的焦點，為了保持成都市房地產(chǎn)市場健康有序發(fā)展，提出以下幾點建議：

（1）改善土地出讓制度，減緩房地產(chǎn)新開工面積增長速度。土地資源具有稀缺性，隨著經(jīng)濟的發(fā)展，人們對土地的需求量急劇增加，造成了土地資源與經(jīng)濟發(fā)展之間嚴重的不可調(diào)和性，為了獲得高額利潤，開發(fā)商千方百計地爭奪土地資源。為了避免房地產(chǎn)開發(fā)商搶占市場，導致短期內(nèi)房地產(chǎn)開發(fā)面積過高，政府需要改善土地出讓制度，合理控制開發(fā)成本。

（2）積極調(diào)動宏觀調(diào)控，控制房地產(chǎn)開發(fā)投資額，維持房地產(chǎn)市場的健康穩(wěn)定發(fā)展。為了獲得高額利潤，房地產(chǎn)開發(fā)商會對樓盤采取過度包裝、夸張宣傳等不正當?shù)臓I銷策略，導致房價上漲劇烈。同時存在部分開發(fā)商采取“囤地“等手段儲備土地，等到時機成熟時轉(zhuǎn)賣，炒高房價，導致房地產(chǎn)市場非理性繁榮。因此需要政府加強宏觀調(diào)控，維持房地產(chǎn)市場穩(wěn)定發(fā)展。

（3）構(gòu)建房地產(chǎn)市場預(yù)警信息數(shù)據(jù)庫。目前我國房地產(chǎn)市場信息存在著分散、不全面等問題，這為有效合理地對房地產(chǎn)市場進行預(yù)警造成了很大的障礙，導致房地產(chǎn)預(yù)警存在實踐上的問題。因此，全國各地區(qū)的統(tǒng)計部門應(yīng)當根據(jù)當?shù)胤康禺a(chǎn)市場的特點，整合信息，建立科學有效的房地產(chǎn)市場預(yù)警信息庫。

（4）構(gòu)建權(quán)威的房地產(chǎn)市場預(yù)警指標體系。影響房地產(chǎn)市場發(fā)展的因素很多，而且每個因素影響的程度千差萬別，若不加區(qū)分地進行預(yù)測，將導致預(yù)測的結(jié)果科學性不足。因此各地區(qū)需要根據(jù)房地產(chǎn)市場的實際發(fā)展情況，根據(jù)實踐經(jīng)驗，構(gòu)建權(quán)威的預(yù)警指標體系。

5　結(jié)語

本文通過建立BP神經(jīng)網(wǎng)絡(luò)模型，對成都市房地產(chǎn)市場預(yù)測系統(tǒng)進行了研究。通過對模型的訓練與檢測可以發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)的模擬與實際基本吻合。這說明BP神經(jīng)網(wǎng)絡(luò)模型可以用來對成都市房地產(chǎn)市場進行預(yù)警。我國對房地產(chǎn)市場預(yù)警系統(tǒng)的研究仍處在初級階段，各種預(yù)警方法的研究還不夠成熟。本文BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測較為理想，可為我國房地產(chǎn)預(yù)警研究提供參考，促進房地產(chǎn)市場的持續(xù)健康發(fā)展。但是本文仍存在局限：一是由于房地產(chǎn)市場起步較晚，現(xiàn)有的數(shù)據(jù)不完整，導致訓練樣本偏少，模型的精確度不夠。因此建議我國健全房地產(chǎn)市場數(shù)據(jù)庫，以便對房地產(chǎn)業(yè)發(fā)展進行檢測；二是指標的選取主要依據(jù)的是以往的研究，因此指標體系仍需完善，以提高其科學性；三是人工神經(jīng)網(wǎng)絡(luò)模型無法確定單個指標對房地產(chǎn)市場的影響，導致在尋找警源是存在一定的困難。

[1] 譚 剛．房地產(chǎn)周期波動理論、實證與策略分析[M]．北京：經(jīng)濟管理出版社，2001．

[2] Kenneth D W．A Specification Test for Speculative Bubbles[J]．Quarterly Journal of Economics，1987，102 （2）：553-580．

[3] Clayton J．Rational Expectations，Market Fundamentals and Housing Price Volatility[J]．Real Estate Economics，1996：441-460．

[4] Malpezzi S．The Role of Speculation in Real Estate Cycles[J]．Journal of Real Estate Literature，2005：143-164．

[5] Juliana Y．Comparison of Country Risk Model： Hybrid Neural Network，Logit Models，Discriminant Analysis and Cluster Techniques[J]．Expert Systems with Application，2005：28：137-148．

[6] 趙黎明，賈永飛，錢偉榮．房地產(chǎn)預(yù)警系統(tǒng)研究[J]．天津大學學報（自然科學版），1999，4（1）：277-280．

[7] 丁烈云，徐澤清．城市房地產(chǎn)預(yù)警系統(tǒng)的設(shè)計與開發(fā)[J]．基建優(yōu)化，2000（21）：5-8．

[8] 郭 磊，王 鋒，劉長濱．深圳市房地產(chǎn)市場預(yù)警系統(tǒng)研究[J]．數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2003（7）：22-26．

[9] 陳 峰．房地產(chǎn)公司全面預(yù)算的編制與控制方法[J]．財務(wù)與會計，2007（17）：13-14．

[10] 王文萱，龍 浪．基于指數(shù)擴散模型的長沙房地產(chǎn)景氣循環(huán)研究[J]．工程管理學報，2016，30（1）：136-141．

[11] 過仕明，張艷芳．房地產(chǎn)預(yù)警系統(tǒng)研究綜述[J]．產(chǎn)業(yè)發(fā)展，2013（1）：107-109．

[12] 傅暢暢．上海市房地產(chǎn)預(yù)警體系研究——基于指數(shù)預(yù)警法[D]．上海：上海交通大學，2014．

[13] 羅欣蟾．上海房地產(chǎn)預(yù)警心痛編制方法研究[J]．統(tǒng)計科學與實踐，2015（2）：21-25．

[14] 黃宏超．基于人工神經(jīng)網(wǎng)絡(luò)的中國房地產(chǎn)市場預(yù)警及實證研究[D]．東北：東北財經(jīng)大學，2013．

Research on Early Warning Model of Real Estate Market Based on Artificial Neural Network—Taking Chengdu as an Example

LIU Jiao，YUAN Hong-ping
（School of Economic Management，Southwest Jiaotong University，Chengdu 611756，China，E-mail：2993999897@qq.com）

With the continuous progress of the society，the real estate industry is booming，so effectively controlling the real estate market is particularly important. According to the characteristics of the real estate market in Chengdu，this study chooses the artificial network to establish the real estate market early warning model to utilize its fault tolerance. Selecting 15 data of real estate industry from the year 2000 to 2014 in Chengdu，the BP artificial neural network model is established，among which the data in the range from 2000 to 2013 were used as the training samples and the data of the 2014 as tested samples. By training 5000 times，got the best result when in the 263th time，and realized the training goal that error is less than 1e-6，and the simulation result has high credibility. The BP artificial neural network model has a high practical significance in foresting the market and promoting the sustainable development of the real estate market.

real estate market；early warning；BP artificial neural network model

F293.3

A

1674-8859（2016）02-147-06 DOI:10.13991/j.cnki.jem.2016.02.028

劉 佼（1994-），女，在讀本科生，研究方向：工程管理；

2016-03-15．

國家自然科學基金項目（71203184）．

袁紅平（1983-），男，副教授，博導，研究方向：建筑廢棄物管理，建筑項目可持續(xù)性，項目風險管理。