基于BP神经网络的房地产项目前期风险评价研究

摘要： 本文从开发商的角度，在分析房地产项目前期风险因素的基础上，构建其指标体系，建立基于BP神经网络的风险评价模型，然后选取若干组样本作为训练集在MATLAB7.0环境中对模型进行训练，最后用测试集验证模型在房地产项目前期风险评价方面的可行性。

Abstract： From the perspective of developer， and on the basis of analyzing the risk factors of real estate project prophase， this paper builds a index system and establishes the risk assessment model based on BPNN， then selects several sets of samples as the training set and trains the model in the MATLAB7.0， finally verifies the feasibility of the model in the risk evaluation of real estate project prophase by using the test set.

关键词： 房地产项目前期；BP神经网络；风险评价

Key words： real estate project prophase；BP neural network；risk assessment

中图分类号：F293.3 文献标识码：A 文章编号：1006-4311（2014）03-0159-02

0 引言

房地产业作为国民经济的重要组成部分，具有建设周期长、投资金额大、影响因素多、涉及范围广的特点。房地产风险是客观存在的，它贯穿于房地产开发的整个过程，其中前期阶段未知因素最多，对整个投资过程的影响程度高达90%以上。而开发商作为房地产投资的主体，面临的不确定性、风险性最大。随着项目的进行，开发商对可能发生的结果掌控愈多，则风险发生的概率越小。因此，对于房地产项目前期风险管理的研究很大程度上决定了该项目的成败。

1 房地产项目前期风险及评价指标体系

房地产项目前期风险复杂多变，开发商倘若对此决策不慎，将对整个地产项目的开发造成不可估量的后果。本文在借鉴前人研究成果的基础上将房地产前期风险按风险来源划分为政策、技术、财务、社会、自然、管理六个方面，并建立指标体系，如表1。

2 BP神经网络

2.1 BP神经网络简介 BP（Back Propagation）神经网络是一种信息按正向传递和误差沿反向传播的多层前向网络学习过程，一般由输入层、隐含层（一层或多层）和输出层构成。与以往的风险预测方法相比BP神经网络具有很大的优势，它有效削弱了评价人员主观因素的影响，对数据的关联性要求不高，而且具有强大的非线性映射能力、容错能力等优点。

2.2 BP神经网络的学习过程 ①初始化，给各连接权及阀值赋予[0，1]内的随机数，分别设定误差函数e、计算精度值和最大学习次数M；②随机选取k个输入样本及对应期望输出计算隐含层、输出层各单元输出；③计算输出层单元的误差；④若误差满足要求，训练结束。不满足要求，则反向修正返回第2步反复训练直到输出误差达到要求为止结束训练。

3 基于BP神经网络的房地产项目前期风险评价模型

本文采用由输入层、隐含层、输出层组成的三层网络拓扑结构模型，具体步骤如下：

3.1 输入层 输入层是外界信号与BP神经网络衔接的纽带。其节点数取决于数据源的维数和输入特征向量的维数。由表2可知指标层有16个风险因子，即输入层有16个神经元。首先选取10家有代表性的房地产企业利用问卷调查法和专家打分法，按风险评定等级{较低风险、低风险、一般风险、较高风险、高风险}，然后对各风险指标Uij进行打分。为了减小权值的调整幅度，加快网络的收敛性，训练开始前对收集的数据进行归一化处理，使输入向量和输出向量的取值到[0，1]范围内。样本数据见表2。

3.2 隐含层 隐含层层数不宜过多，否则会降低训练速度增大局部最小误差，一般取一层即可。隐含层单元数参考公式：n1=■+a，其中n1为隐含层单元数，n为输入单元数，m为输出单元数，a为[1，10]之间的常数。经计算隐含层单元数为10。

3.3 输出层 输出层节点数取决于输出数据类型和表示该类型所需的数据大小。本文输出结果是一个数值，即节点数为1。评价结果取值在[0，1]范围内，其中[0，0.2]、[0.2，0.4]、[0.4，0.6]、[0.6，0.8]、[0.8，1]分别代表低风险、较低风险、一般风险、较高风险、高风险。风险值越大，表明风险等级越高。因此建立的神经网络模型为16-10-1，即输入层16个神经元、隐含层10个神经元、输出层1个神经元。

3.4 网络训练 ①网络参数的选取。本文将表2中前9组数据作为训练集，最后一组作为测试集。训练次数、训练目标、学习速率分别设定为10000次、0.00001、0.3，训练函数、学习函数、性能函数分别采用Traingdm、leamgdm、Mse，其它参数为缺省值。网络训练结果，见图1，经过943次训练，总体误差为9.94958e-006，网络收敛达到预定的学习精度0.00001，训练结束。②模型检验。将表2中最后一组数据输入训练好的模型进行检验。可得，实际输出为0.3142，在区间[0.2，0.4]内，即第10家房地产项目前期的风险等级低。这与期望输出结果0.32基本一致，较好的满足了设计要求。

4 结束语

综上所述，用MATLAB7.0编写的基于BP神经网络模型在房地产前期风险预测方面准确度较高，具有较强的实用性，丰富和发展了前期风险预测的方法，为开发商进行前期决策提供了有力的依据。不足之处，指标的选取有待改进和完善。

参考文献：

[1]陈小花.基于神经网络的房地产投资项目风险评价模型研究[J]现代经济信息，2011（3）：172-173.

[2]柳海龙.房地产开发项目前期阶段风险测评研究[D].成都：西南石油大学，2012（6）.

[3]张墨林.房地产项目前期风险管理[D].西安：西安建筑科技大学，2004（6）.

[4]沈花玉，王兆霞等.BP神经网络隐含层单元数的确定[J].天津理工大学学报，2008，24（5）.

[5]董长虹.MATLAB神经网络与应用[M].北京：国家工业出版社，2005.