李沖沖

摘要： 針對我國養(yǎng)老地產項目投資過程中資金需求量大、回收周期長且普遍缺乏開發(fā)經驗等問題，提出將支持向量機（SVM）應用到養(yǎng)老地產項目投資風險評價中。并結合我國養(yǎng)老地產發(fā)展現狀，建立基于SVM的養(yǎng)老地產項目投資風險評價模型。結果表明，該模型預測精度較高、運算速度較快，能夠輔助養(yǎng)老地產開發(fā)企業(yè)在投資決策時及早預知風險，減少投資的盲目性，做出合適的決策。

Abstract： Aiming at the problems of the large amount of capital demand， long payback period and general lack of development experience in the process of China's endowment real estate investment， the application of support vector machine （SVM） in the evaluation of the investment risk of the pension real estate project is put forward. Combined with the current situation of China's pension real estate development， the evaluation model of investment risk of pension real estate projects based on SVM is established. The results show that the model has high prediction accuracy and fast calculation speed. It can help the pension real estate enterprises predict risks in making investment decision to reduce blindness in the investment and make suitable decisions.

關鍵詞： 養(yǎng)老地產；風險評價；支持向量機

Key words： pension estate；risk evaluation；SVM

中圖分類號：F293.3 文獻標識碼：A 文章編號：1006-4311（2017）11-0040-03

0 引言

隨著人口老齡化程度的不斷加劇，社會化養(yǎng)老日趨主流，而目前我國傳統的養(yǎng)老機構供給不足、類型單一、設施簡陋且服務水平低下，難以滿足大多數老年人的養(yǎng)老需求。如何積極應對人口老齡化，解決有限的養(yǎng)老資源與急劇增長的養(yǎng)老需求之間的矛盾，成為社會密切關注的問題。作為社會養(yǎng)老的一種形式——養(yǎng)老地產，在此背景下應運而生。

養(yǎng)老地產是我國實現居家養(yǎng)老、社區(qū)養(yǎng)老與機構養(yǎng)老相結合等社會化養(yǎng)老的有效載體和實現形式[1]，大力推行養(yǎng)老地產可以有效地緩解政府的社會保障壓力，解決我國目前所面臨的社會化養(yǎng)老問題。養(yǎng)老地產作為特殊的新興房地產行業(yè)，盡管其發(fā)展?jié)摿薮?，但由于在我國尚處于探索和初步發(fā)展階段，開發(fā)資金需求量大、回收周期長、市場定位不清晰且普遍缺乏開發(fā)全過程的經驗，致使面臨的風險因素復雜多樣，給投資者帶來巨大的風險損失。要想使養(yǎng)老地產在我國健康有序的發(fā)展，如何規(guī)避其投資風險，實現養(yǎng)老地產投資項目盈利成為目前亟待解決的問題。傳統的風險評價方法有層次分析法[2]、灰色關聯分析[3]、BP神經網絡[4]等，但上述方法在實際運用中均存在一些不足，已不能滿足養(yǎng)老地產項目投資風險管理的需要。支持向量機（Support Vector Machine，SVM）建立在結構風險最小化原理基礎上，根據有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折衷[5]，以期實現經驗風險和置信范圍的最小化，從而獲得良好的統計規(guī)律和更好的泛化能力。與傳統方法相比，其具有很好的魯棒性和預測能力，有效地解決了小樣本、非線性的問題。故從養(yǎng)老地產實際出發(fā)，采用SVM方法對養(yǎng)老地產項目的投資風險進行評估度量，為養(yǎng)老地產項目的投資決策提供一定的支持。

1 養(yǎng)老地產項目投資風險因素分析

1.1 養(yǎng)老地產項目投資風險因素

1.1.1 項目建設風險

養(yǎng)老地產項目在整體規(guī)劃建設方面要求很強的專業(yè)性，從項目選址、規(guī)劃設計、配套設施等各方面必須符合老齡消費群體的身體特質與心理需求[6，7]，比一般住宅功能更加具體化、細節(jié)化。養(yǎng)老地產項目建設風險主要包括：選址風險、適老設計風險、配套設施風險和區(qū)域規(guī)劃風險等。

1.1.2 養(yǎng)老地產市場風險

養(yǎng)老地產作為一個新興的市場，由于老年人傳統的養(yǎng)老觀念并未改變，且對該產業(yè)知識的了解欠缺，尚未被社會真正接受和認可，這將直接影響項目的售出量和租賃量，容易給投資者造成損失。養(yǎng)老地產項目市場風險主要包括：市場供求風險、市場定價風險、養(yǎng)老市場認可風險和市場競爭風險等。

1.1.3 政策風險

我國支持和鼓勵養(yǎng)老地產的建設，近一兩年國家已陸續(xù)出臺不少政策，但土地、稅收、金融等支持政策不夠細化，并沒有形成一個完整的具有法律效力的鼓勵性實施環(huán)境，最終導致政策不能落實到位，這成為阻礙養(yǎng)老地產發(fā)展的主要因素。養(yǎng)老地產政策風險主要包括產業(yè)政策風險、金融政策風險、稅收政策風險、養(yǎng)老用地政策風險等多個方面。

1.1.4 經濟風險

經濟風險主要指一系列與經濟發(fā)展相關會對養(yǎng)老地產投資項目的市場產生影響的風險。造成養(yǎng)老地產項目經濟風險的來源較多，主要有融資風險、費用控制風險、通貨膨脹風險等。

1.1.5 管理風險

相對于傳統房地產項目，養(yǎng)老地產的管理服務內容更多，工作更繁瑣，管理者經驗水平和養(yǎng)老服務水平的高低，則對運營效果具有重大影響。養(yǎng)老地產項目管理風險包括養(yǎng)老地產項目管理者經驗風險、養(yǎng)老服務風險等方面。

1.2 養(yǎng)老地產項目投資風險評價指標體系的構建

養(yǎng)老地產項目投資風險評價指標體系要求科學、客觀、全面，能夠確切反映影響項目風險評價狀況的因素。故基于上述對養(yǎng)老地產項目投資風險因素的分析，對其所涵蓋的影響因素進行進一步的歸納與分類，建立養(yǎng)老地產項目投資風險評價指標體系如圖1所示。

2 支持向量機基本原理

3 基于SVM的養(yǎng)老地產項目投資風險評價

選取已建成的12個典型養(yǎng)老地產項目作為實例分析對象，采用已構建的風險評價指標體系對養(yǎng)老地產項目的投資風險進行評價。

3.1 收集數據

由于影響?zhàn)B老地產項目投資風險的各評價指標多為定性因素，故采用專家打分的方法，聽取20位養(yǎng)老地產項目方面的專家意見，并依據多年的研究經驗對各個項目進行打分，打分的分值為：0.1，0.3，0.5，0.7，0.9五個等級，依次對應風險：低，較低，一般，較高，高五個評價等級。打分時由專家充分審核，分析各個項目規(guī)劃、實際運行和經營狀況，給出各風險指標的評分值以及項目的風險值，匯總整理后，得到養(yǎng)老地產項目投資風險專家評估數據集。如表1所示，表1中第1列為12個學習樣本，U1-U17列表示專家對各風險評價指標的平均值，最后1列為專家綜合評價值。以體現養(yǎng)老地產項目投資風險的各項風險因素指標值作為支持向量機的輸入向量，項目投資風險值作為輸出變量，兩者構成模型訓練集。選取前9個項目的樣本數據作為SVM訓練樣本集，后三個項目的樣本數據作為測試樣本集，用來驗證基于SVM的養(yǎng)老地產項目投資風險評價模型的準確性。

3.2 確定模型參數

3.3 結果分析

將后三個作為測試樣本代入建立的模型進行驗證，實際輸出結果分別為0.4418、0.3918和0.6482，其相對誤差如表2所示。

從訓練模型對測試樣本評估的結果可知，SVM的評價值與專家評價結果基本一致，相對誤差均在可接受范圍內，基本上已能符合實際評估工作的要求，說明利用支持向量機建立的養(yǎng)老地產項目投資風險評價模型具有良好的適用性且擬合效果較好，可以用來評價養(yǎng)老地產項目投資風險，并且大大縮短了運算時間。至此，基于SVM的養(yǎng)老地產項目投資風險評價模型已經建立起來。對于待投資的養(yǎng)老地產項目，只需將項目的風險指標值輸入訓練好的模型中，即可得到該項目的風險評價值，同時確定相應的風險等級，而且可以快速批量的進行。

4 結論

以養(yǎng)老地產項目投資風險為研究對象，在對風險因素進行合理分析的基礎上，結合我國養(yǎng)老地產的發(fā)展現狀，建立了基于SVM的養(yǎng)老地產項目投資風險評價模型。并通過實例表明，該模型能夠較好的對養(yǎng)老地產項目投資風險進行評價，結果精確且運行速度快，能夠提高投資者決策的可靠性，有效的規(guī)避風險。支持向量機與常用的風險評價方法相比，減少了風險評價過程中的主觀性問題，使評價結果更為客觀，并且對樣本數量的依賴性較弱，通過有限樣本的學習而構建的評價模型具有較強的泛化能力和推廣能力。因此，將支持向量機用于養(yǎng)老地產項目投資風險評價具有一定的實踐意義。

參考文獻：

[1]姜睿，蘇舟.中國養(yǎng)老地產發(fā)展模式與策略研究[J].現代經濟探討，2012（10）：38-42.

[2]劉群紅，鐘普平，陳琛.基于AHP方法的老年地產項目投資風險評價研究[J].城市發(fā)展研究，2014（11）：29-32.

[3]劉濤，孟曉諭.基于改進灰關聯分析的多層次綜合風險評價模型研究[J].科學與管理，2009（6）：62-65.

[4]李欣澤，樊相宇.基于BP神經網絡的房地產風險研究——以西安地區(qū)為例[J].現代商業(yè)，2013（30）：45-47.

[5]馬義德，邱秀清.支持向量機若干優(yōu)化算法的比較研究[J]. 計算機科學技術，2006.

[6]Gilroy R. Places that Support Human Flourishing： Lessons from Later Life[J]. Planning Theory & Practice， 2008， 9（2）：145-163.

[7]Smets A J H. Housing the elderly： segregated in senior cities or integrated in urban society？[J]. Journal of Housing and the Built Environment，2012，27（2）： 225-239.

[8]Kim J， Kim S， Tan L. Case Study on the Determination of Building Materials Using aSupport Vector Machine[J]. Journal of Computing in Civil Engineering， 2014， 28（2）：315-326.

[9]丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報，2011（01）：2-10.

[10]Cherkassky V， Ma Y. Practical selection of SVM parameters and noise estimation for SVM regression[J]. Neural Networks， 2004， 17（1）：113-126.

[11]陳果，周伽.小樣本數據的支持向量機回歸模型參數及預測區(qū)間研究[J].計量學報，2008（01）：92-96.

[12]任立輝，李文東，慈興華，等.基于LIBSVM的石油錄井中巖屑巖性識別方法研究[J].中國海洋大學學報（自然科學版），2010（09）：131-136.