鄒婷 張禹嘉 梁明月

【摘 要】本文基于BP神經(jīng)結(jié)構(gòu)對(duì)湖南省長(zhǎng)沙市商品房的定價(jià)問題展開研究，并努力探究影響房?jī)r(jià)最主要的因素。首先，根據(jù)2007-2016年長(zhǎng)沙市影響商品房?jī)r(jià)格的七個(gè)研究因素?cái)?shù)據(jù)，運(yùn)用插值分析法對(duì)數(shù)據(jù)庫(kù)使用立方插值預(yù)測(cè)，得到2017-2020年七個(gè)研究因素的預(yù)測(cè)數(shù)據(jù)；其次，建立BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)已收集到的樣本進(jìn)行訓(xùn)練，不斷逼近樣本所蘊(yùn)涵的規(guī)律，對(duì)長(zhǎng)沙地區(qū)的房?jī)r(jià)（元/平方米）進(jìn)行預(yù)測(cè)；最后，用所得模型對(duì)未來幾年的房?jī)r(jià)進(jìn)行仿真，觀察其變化規(guī)律。根據(jù)房?jī)r(jià)預(yù)測(cè)結(jié)果，為準(zhǔn)備在長(zhǎng)沙購(gòu)房的群體提出合理建議。

【關(guān)鍵詞】BP神經(jīng)結(jié)構(gòu)；插值分析法；商品房定價(jià)；因子分析；主要影響因素

近年來，全國(guó)各大城市的房?jī)r(jià)迅速上漲。以長(zhǎng)沙市為例，自2010年出臺(tái)限購(gòu)令政策后，在短期內(nèi)長(zhǎng)沙市的房?jī)r(jià)（包括新房和二手房）有所下降，但在經(jīng)濟(jì)高速增長(zhǎng)、城市化進(jìn)程加快，加之公眾樂觀預(yù)期等因素共同作用下，房?jī)r(jià)在長(zhǎng)期內(nèi)仍處于上漲態(tài)勢(shì)。

從現(xiàn)階段學(xué)術(shù)研究的情況來看，預(yù)測(cè)房?jī)r(jià)的方法很多。從計(jì)量角度，房?jī)r(jià)的變化呈現(xiàn)出一種非線性態(tài)勢(shì)，使用常規(guī)的線性模型進(jìn)行分析難以得到近似準(zhǔn)確的結(jié)果。BP神經(jīng)網(wǎng)絡(luò)正是可以通過自身訓(xùn)練，通過學(xué)習(xí)某項(xiàng)規(guī)則，進(jìn)而使用最速下降法，利用反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小，最大限度地逼近輸出結(jié)果，從而更加精確的預(yù)測(cè)房?jī)r(jià)。

本文采用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)長(zhǎng)沙市的房?jī)r(jià)，利用因子分析法將所選取的七個(gè)研究因素進(jìn)行綜合分類，從而分析各因素的影響水平，最后根據(jù)房?jī)r(jià)的主要影響因素為有意愿在長(zhǎng)沙購(gòu)房的人們提出可行性建議。

一、商品房房?jī)r(jià)預(yù)測(cè)模型

（一）變量選取

商品房的定價(jià)是政治、經(jīng)濟(jì)、文化和社會(huì)環(huán)境等多方面多因素共同作用下的結(jié)果，但關(guān)鍵是理清主要因素和次要因素。本研究將商品住宅投資額（反映當(dāng)?shù)禺?dāng)年的商品住宅開發(fā)情況，投資額大小影響著商品住宅供給量）、商品住宅施工面積（直接影響著未來幾年的商品住宅供給量）、年末戶籍人口數(shù)（反映當(dāng)?shù)禺?dāng)年人口數(shù)對(duì)商品房住宅市場(chǎng)的需求）、GDP（是說明宏觀經(jīng)濟(jì)的重要指標(biāo)，而宏觀經(jīng)濟(jì)對(duì)整個(gè)房地產(chǎn)行業(yè)影響非常顯著） 、貸款利率（利率變化能反映宏觀經(jīng)濟(jì)政策的走向，而宏觀經(jīng)濟(jì)政策會(huì)直接影響人們對(duì)商品住宅的需求變化?？紤]到大部分人購(gòu)房貸款的年限均比較長(zhǎng)，本文選擇五年以上的有中長(zhǎng)期貸款利率的貸款項(xiàng)目）、平均年工資（工資決定人們的消費(fèi)能力，并能正確反映房?jī)r(jià)的真實(shí)性）、人均可支配收入（反映了人們的實(shí)際消費(fèi)水平，影響各地商品住宅需求量）作為研究因素。

（二）預(yù)測(cè)樣本構(gòu)造

BP神經(jīng)網(wǎng)絡(luò)在已有輸入?yún)?shù)的情況下，對(duì)輸出參數(shù)作出預(yù)測(cè)，首先采用插值分析模型對(duì)商品房房?jī)r(jià)的七個(gè)影響因素?cái)?shù)據(jù)做出預(yù)測(cè)。（表2-1）

（三）長(zhǎng)沙市商品房定價(jià)的模型建立

首先建立網(wǎng)絡(luò)學(xué)習(xí)樣本和數(shù)據(jù)歸一化，其次對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練、驗(yàn)證、仿真和建立模型，具體操作如（圖2-1）：

BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)將數(shù)據(jù)歸為三部分：Training（訓(xùn)練），Validation（驗(yàn)證），Test（測(cè)試）。其中，Training數(shù)據(jù)參加訓(xùn)練，其他兩部分?jǐn)?shù)據(jù)用于檢驗(yàn)。由于網(wǎng)絡(luò)是根據(jù)這些數(shù)據(jù)訓(xùn)練的，因而目標(biāo)和訓(xùn)練（Test）數(shù)據(jù)之間的誤差將越來越小。從圖2-1可以得出：

Training：R=1，Validation：R=1，Test：R=1，All：R=0.99707，說明數(shù)據(jù)擬和合適。（圖2-2）

Progess左方是目標(biāo)值，右方是訓(xùn)練精度目標(biāo)，迭代50000次后的有效性檢驗(yàn)顯示6次無錯(cuò)誤，梯度接近目標(biāo)精度，均方差也接近目標(biāo)值，說明此時(shí)神經(jīng)網(wǎng)絡(luò)系統(tǒng)建立的模型已經(jīng)比較合適。進(jìn)一步得到仿真新數(shù)據(jù)后，通過得到的模型對(duì)新數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)，再根據(jù)折線圖可見長(zhǎng)沙房?jī)r(jià)在2017-2020年的變化規(guī)律，其中，在2017-2019年快速下降，在2019-2020年開始上升。

圖2-3 長(zhǎng)沙房?jī)r(jià)的仿真預(yù)測(cè)圖

二、長(zhǎng)沙市房?jī)r(jià)走勢(shì)分析

為進(jìn)一步分析長(zhǎng)沙市房?jī)r(jià)的走勢(shì)，現(xiàn)對(duì)收集到的2007-2020年長(zhǎng)沙市商品房的單價(jià)數(shù)據(jù)進(jìn)行整理，用Excel軟件作出房?jī)r(jià)走勢(shì)的折線統(tǒng)計(jì)圖和商品房單價(jià)的同比增長(zhǎng)趨勢(shì)圖，進(jìn)而得出分析結(jié)論。

圖2-1 2007-2020年長(zhǎng)沙市商品房單價(jià)同比增長(zhǎng)趨勢(shì)分析預(yù)測(cè)圖

由圖2-1，長(zhǎng)沙市房?jī)r(jià)自2011年起維持在5800-6500元的較高水平。其中，2011-2014年、2015-2018年是房?jī)r(jià)在5800-6500年階段內(nèi)先升后降的兩個(gè)小階段，呈較小波動(dòng)的漲落。其房?jī)r(jià)同比增長(zhǎng)率較前期（2008-2016年）漲落的差距較大，較后期（2017-2020年）漲落的差距較小。根據(jù)曲線趨勢(shì)走向，可認(rèn)為未來房?jī)r(jià)在較小范圍內(nèi)的波動(dòng)將趨于平緩。且針對(duì)長(zhǎng)沙房?jī)r(jià)的走勢(shì)，大致可以得出以下兩點(diǎn)結(jié)論：

（1）長(zhǎng)沙市房?jī)r(jià)在維持較高水平的基礎(chǔ)上趨于穩(wěn)定水平，存在或升或降的小范圍波動(dòng)，但未來不會(huì)出現(xiàn)大幅度波動(dòng)；

（2）長(zhǎng)沙作為二線城市，發(fā)展水平較高，樓市發(fā)展空間已經(jīng)較為飽和，因而房?jī)r(jià)上升空間不大。

三、影響房?jī)r(jià)最主要的因素

上述已通過BP神經(jīng)網(wǎng)絡(luò)方法建立合適模型，得出影響長(zhǎng)沙房?jī)r(jià)的基本因素，但為了探究更重要的影響因素，本次研究采用SPSS對(duì)多個(gè)變量進(jìn)行重新組構(gòu)，以得到影響房?jī)r(jià)最主要的因素。

（一）影響長(zhǎng)沙房?jī)r(jià)的最主要因素探究

1.將原始數(shù)據(jù)標(biāo)準(zhǔn)化

2.對(duì)標(biāo)準(zhǔn)化數(shù)據(jù)進(jìn)行因子分析（圖3-1）

由于前兩個(gè)特征值的累計(jì)貢獻(xiàn)量已達(dá)97.365%，故取A1和A2兩個(gè)公共因子，足以充分代替原始數(shù)據(jù)的信息量。

3.列出旋轉(zhuǎn)后的因子載荷矩陣，對(duì)七個(gè)原始指標(biāo)進(jìn)行分類

（圖3-2）

進(jìn)行高載荷指標(biāo)分類，有：

A1（投入與消費(fèi)水平因子）高載荷指標(biāo)具體有：X1-GDP；X2-商品住宅投資額；X3-人均可支配收入；X4-平均年工資；X5-貸款年利率；X7-年末戶籍人口數(shù)。

A2（商品房房源因子））高載荷指標(biāo)具體有：X6-商品住宅施工面積

可明顯觀察到影響長(zhǎng)沙商品房定價(jià)的主要因素為投入與消費(fèi)水平因子、商品房房源因子。例如，在2013-2014年，長(zhǎng)沙商品住宅施工面積由8696.54萬/平方米增長(zhǎng)至9688.6萬/平方米，但長(zhǎng)沙房?jī)r(jià)從6292元/平方米降至6119元/平方米，可見該情況是由于長(zhǎng)沙房?jī)r(jià)受商品住宅施工面積影響造成的。

四、結(jié)論與建議

超一線城市要解決“大城市病”，不再需要過多的人口涌入，這對(duì)正渴求勞動(dòng)力的次級(jí)城市確實(shí)是一個(gè)機(jī)會(huì)。再看強(qiáng)二線和省會(huì)城市，17年來展開一輪又一輪的“搶人大戰(zhàn)”， 南京、濟(jì)南、鄭州、合肥、西安等近20多個(gè)城市放開落戶政策，外地人的購(gòu)房門檻也因?yàn)槁鋺粽叨兿嘟档汀Ｒ虼宋磥矶€城市依然有一定概率對(duì)調(diào)控政策進(jìn)行修正，在二線城市買房將會(huì)是一個(gè)很好的機(jī)會(huì)。具體建議如下：

1.應(yīng)及時(shí)關(guān)注落戶的相關(guān)政策和房地產(chǎn)調(diào)控政策，瞄準(zhǔn)時(shí)機(jī)，通過正當(dāng)合理途徑購(gòu)房；

2.應(yīng)盡量選擇在居民收入水平與自身?xiàng)l件相適應(yīng)的地區(qū)購(gòu)房，性價(jià)比高；

3.應(yīng)在符合自己購(gòu)房條件（價(jià)格、環(huán)境）的基礎(chǔ)上，選擇具有投資價(jià)值的房源。

【參考文獻(xiàn)】

[1]張秉乾. 上海商品住宅市場(chǎng)價(jià)格影響因素研究及價(jià)格預(yù)測(cè)[D].甘肅農(nóng)業(yè)大學(xué)，2009.

[2]鄧柏峻，李仲飛，張浩.限購(gòu)政策對(duì)房?jī)r(jià)的調(diào)控有效嗎[J].統(tǒng)計(jì)研究，2014，31（11）：50-57.

[3]余泳澤，張少輝.城市房?jī)r(jià)、限購(gòu)政策與技術(shù)創(chuàng)新[J].中國(guó)工業(yè)經(jīng)濟(jì)，2017（06）：98-116.