基于RBFNN实验的物业税开征后对房产价格影响预测

摘 要：本文建立径向基神经网络 (Radical Basis Function Neural Network-RBFNN）逼近微观经济学理论的DUST价格函数，分析了物业税开征对于上海住房价格的影响效应。实证结果显示，流通环节的税收改革对房价产生的是持久的正向冲击，保有环节的税收改革对房价产生的是短期的负向冲击。在基于实验结论的基础上，给出了相应的经济学分析，并提出了相应的政策建议。

关键词：物业税；开征；影响；房产价格；RBFNN

中图分类号：F293.3 文献标识码：A 文章编号：1003-5192(2011)03-0011-05

Prediction of Shanghai Housing Price after Property Tax Levying: Based on RBFNNHE Fang, XIAO Sen-yu, FENG Shuo

(School of Economy & Management, Tongji University, Shanghai 200092, China)

Abstract:A Radial Basis Function Neural Network(RBFNN)is established in this paper to approximate DUST price model of microeconomics. The effects of levy property tax on housing prices were analyzed. The results showed that the tax in circulated links made a long-term positive impact on the housing prices, while the tax in retained links made a short-term negative impact. Then the author gave an economic analysis and some policy suggestions for the experiment results.

Key words:property tax; levying; effect; housing price; RBFNN

1 引言

作为一项对房地产持有阶段征收的税，物业税关系到国家和几乎每位城市居民的切身利益。物业税开征对房地产行业带来的影响会是全方位的，它不仅直接改变了房地产税费制度，而且可能会改变房地产价格。根据米斯克斯基将房地产税视作资本税的观点：在资本可以在辖区内流动，且资本供给对于收益率没有弹性的条件下，全国性的地方财产税制度会使资本家的收益降到税收平均水平，即财产税税负会转嫁到资本所有者身上。基于这种观点：如果对房地产拥有人征收物业税，并将其视作一种成本的话，那么这种成本可能引发税负转嫁效应，由此对房地产价格产生影响。对于征收物业税能否降低房价，目前国内外学者认识不一，学术界对此持三种观点。其中，一种观点认为物业税对房价影响很大，而另一种观点则认为影响不大，此外，第三种学术观点则认为根据不同的税率政策等情况将有不同程度的影响。但是，大多数学者肯定房地产税收改革对调控高房价的积极作用，支持物业税改革后会降低房价的观点

［1~3］。其依据是资产评估理论的原理：一项资产的价格理论上等于该资产在以后年度内给资产所有者带来收益的折现值，因此，征收物业税后，未来预期收益降低导致购买住宅价格下降。

目前，在研究方法的运用上，有些学者进行了积极的探讨。例如，尹中立通过模型定量研究了日本和韩国的税收政策，认为税收政策对抑制房地产投机的作用远大于金融政策，对流通环节课以重税可以有效抑制房地产投机行为［4］；常莉通过建立影响效应模型分析了房地产税收改革对房地产市场和各参与主体的影响［5］；曹映雪等则通过建立理性泡沫模型：

Q(t)=rr+τPe-r(r+τ)(T-t)来分析物业税的开征是否能有效地抑制房地产投机［6］。研究结论表明，开征物业税在一定程度上对投机行为有抑制作用，但这种作用的影响是短期性的。在长期来看，开征物业税对投机行为的影响是相对微弱的；金成晓通过建立结构向量自回归模型（SVAR）和向量误差修正模型（VEC）研究了征收物业税对住房价格的影响［7］。虽然作者用SVAR建立了税收、供给、需求和价格的四元p阶方程（p=2）来描述房产价格，再用脉冲响应函数描述系统内变量冲击对其他变量的动态轨迹效应，但他的模型是建立在平稳序列和协整理论假设上的，而实际中一般经济变量都是非平稳序列，在平稳序列的假设下很难构建稳定的系统。

作为一种重要的非参数化逼近方法，人工神经网络（Artificial Neural Network―ANN，又称神经网络）已经在各个科学和工程领域得到了广泛的应用［8,9］。我国学者朱聪指出，ANN技术有其独特的优势，其在房地产辅助评估的作用不可忽略［10］，在运用于对物业税税基批量评估中的计算机辅助批量评估（Computer-Assisted Mass Appraisal,CAMA）上，具有优良的辅助评估效果。径向基人工神经网络所具有的分布式存储和并行计算能力、容错性、鲁棒性（即系统在异常情况下维持稳定运行的健壮性），以及以任意精度逼近未知非线性系统的特点，为解决各种逼近问题提供了一种有效的方法［11,12］。径向基人工神经网络（Radial Basis Function Neural Network，RBFNN）是一种主要的神经网络类型，它通过非线性激励函数模拟生物神经元的激活机能，以一组激励函数的叠加和自适应的学习方式来实现从已知样本中学习一个未知映射。因而它特别适合于求解内部机制复杂的问题［13,14］。因此，本文采用神经网络对DUST价格模型进行逼近，进而预测物业税征收后的房价变动。

2 RBFNN网络模型建模过程及可行性分析

2.1 RBFNN网络房产价格预测模型的建模过程

微观经济学理论认为，商品的市场价格是由商品的需求（Demand）、商品所能提供的效用（Utility）及商品的稀缺性（Scarcity）所决定的。由于住房的固定性及附属的权利繁多，其价值决定因素又多了一个可转让性（Transferability）。住房价格的DUST函数如下

2.2 RBFNN网络房产价格预测模型的可行性分析

首先，如前文所述，RBFNN网络是一种非参数化逼近方法，可以通过对以往数据的学习分析(如2008年前的数据)，并根据研究要求，自行设定以任意精确度（例如允许最高的误差设定最高为10-5）逼近未知的函数［15］。因此，尽管影响房产价格的因素是多方面的，但是通过RBFNN网络学习，能够精确地建立供给因素（S0），需求因素（D0），流通环节税收（TL），保有环节税收（TB）和房产价格（P）之间的复杂的非线性系统模型，并且可以运用未学习的数据（如2008年，2009年的数据）进行仿真检验，从而确保模型的精确度和可信度。

其次，在物业税开征模拟方面，尽管我国目前尚未开征物业税，因此也就找不到物业税的直接数据。但本研究已经在理论和技术处理方面考虑到了这个问题，并进行了相应的技术处理。物业税是对所使用或所拥有的土地、房屋等不动产按期缴付一定税额的税种，是针对国民的财产所征收的一种税收［16］。因此，从税收原理上来说，物业税在本质上和现行的相关税收有其内在的联系和作用［17］。本研究通过建成的精确的RBFNN网络模型，通过一定的技术手段来表达物业税的开征和现有相关税收的内在联系，从而达到模拟物业税的开征后对房产价格影响的效应，据此进行预测和分析，从而实现本研究的实验目的。

3 实证实验分析

选取上海1999年1季度~2008年4季度的季度数据（数据来自《上海统计年鉴》、《上海经济景气月报》、国家税务总局网站以及相关房地产信息网上海市房地产市场季度分析报告整理），利用神经网络模型对税收、供给、需求和价格这4个变量之间的关系进行实证研究。

中国现阶段还未开征物业税，笔者采用现有房地产税种中的流通环节税收（TL）和保有环节税收（TB）的正向变化来表征物业税征收。流通环节的税收用房产交易税额和土地增值税额的总和表示，按照各季度的税收增长比例将年度数据分成季度数据；目前我国保有环节的税收包括房地产税、城市房地产税以及土地使用税。但是由于土地使用税是具有资源性质的税收，因此，在本文中不将土地使用税列入保有环节的税收中进行分析。保有环节采用房地产税，城市房地产税金总额表示，按照各季度的税收增长比例将年度数据分成季度数据；供给变量用住宅竣工面积表示；需求变量用住宅销售面积（不包括二手房，包括现房和期房）表示；价格变量用以1999年为基期的住宅销售价格指数（定基比）表示，并且除价格变量外各变量均用以1999年为基期的CPI定基比进行平减得到实际值，各变量均经过X-12方法消除季节因素和不规则因素后再取对数值。

将径向基（RBF）神经网络的输入X取为：［LTL, LTB, LS0, LD0］，输出取为LP，即得到一个价格与税收、需求和供给与房产价格的非线性系统模型。在使用神经网络之前必须要对网络进行训练。基函数的中心自组织训练的数据将从训练数据集中选取，将中心只放置于输入空间中重要数据点存在的区域内。在训练中自适应地调整隐层的节点数目。具体步骤是：计算使输出误差最大的输入样本，将新增隐层节点的中心取作此样本，重新计算输出，直至满足误差要求。对于输出层的权矩阵，可以直接求逆或采用递推算法，如最小均方误差法(LMS)和递推最小二乘法(RLS)。求逆的方法鲁棒性较差，而且要求节点数不能过大；LMS法收敛速度较慢，而RLS的每次迭代都是基于误差梯度为0这一特点，故收敛速度比它快。因此本文采用RLS法训练RBF网络的隐层到输出层的权值。第K个输出单元的输出为

其中λ为加权遗忘算子，其作用是将过去样本对当前估值的影响逐渐遗忘掉，使所估计的参数尽量反映当前时刻样本的特性。其优点是：当信号的统计特性发生变化时，其所受影响较小，即能够处理非平稳信号。记P(n)=R^-1(n)，根据矩阵求逆引理可得网络连接权矢量的RLS训练算法如下

从上图中间断线条可以看出，给流通环节税收施加一个正向的结构冲击会引起价格在前5 期下降，接着转为上升，在第22期附近达到最大，以后每期保持在0.028%左右。这说明对住房价格影响存在滞后大约为5个季度，这段时间可以看作是税收冲击的力量调整期。从图中连续线条可以看出，给保有环节税收施加一个正向的冲击，对价格的影响在前7期是负向的，冲击在第4 期幅度达到最大，为-0.08%。在第14 期冲击仅为0.0002，以后逐渐减小，长期来看接近于0。即通过增加保有环节的税收在短期内可以抑制房价的上升，但在长期内保有环节税收的冲击对房价的影响很小。

4 结论分析及政策建议

4.1 结论分析

本文以上海市1999~2008年住宅房地数据为基础，运用RBFNN网络预测物业税开征后对住房价格的影响。 实验结果表明：物业税的开征，在流通环节将对房价产生的是持久的正向冲击，而在保有环节将对房价产生的冲击是短期的负向冲击。这样一个实验结论可以从经济学的原理进行分析：首先，尽管物业税是针对房产和土地所有而征收的税收，影响最直接的是保有环节，但是由于房产交易不是瞬间就能完成的，是存在着一定的时间差。从购买房产到将房产转手出卖出去，中间有一个持有过程，而物业税的开征是对这个持有的过程征收一定的税收。这样，根据税负转嫁原理，在房产流通环节上，卖方将会将其持有过程所被征收的物业税作为其房产交易成本的一部分，从而导致流通环节房产价格的提高。其次，在保有环节上，之所以会在保有环节产生短期的负向冲击，而从长期来看对保有环节影响不大，是因为在短期内，物业税的开征将增加房地产投机行为的成本负担，在短期内对于抑制房地产投机行为具有一定的效果，从而引起房产价格理性的回落。但是这样的政策在长期来看是不利于打击房地产投机行为的，因为在长期来看，在流通环节中，房地产投机者将会将其所支付的物业税税收成本转嫁给买家，从而使得房产价格回复。最后，之所以物业税的开征对房地产价格长期影响很小，是因为物业税其开征的理论依据和出发点是以完善房地产税制，稳定产业，优化资源配置，增加财政税收为根本目的，其不是以抑制房地产投机的手段为目的的，因此长期来看对房地产价格影响很小。

4.2 政策建议

根据上述的研究结论可知，在对待物业税的问题上，应有如下的认识及相应的政策建议：

首先，应当清楚地认识到，物业税的开征目的和出发点，不是以控制房价过高上涨和降低房价为目的的，而是以完善房地产税制，优化资源配置为目的的。因此长期来看不能将其作为降低房价的手段。

其次，尽管长期来看，物业税的开征不利于房价理性的回落，但是短期来看，对于抑制房地产投机行为，降低房价却有着明显的效果。因此，可以考虑将物业税作为一种短期的房价调整政策手段，当房价较高时，适当开征物业税可以在短期内使房价理性回落；当房价有上升趋势时，则可以通过降低税率或取消物业税来达到维持房产理性价格的目的。

最后，物业税的目的和出发点决定了其本质上不是抑制房地产投机，降低房价的根本措施。因此，若要以打击房地产投机行为，降低房价为目的，首先要改进土地供给制度，增加土地供给，加大土地二次开发力度，对于土地招拍挂制度进行改革，限制或限定土地供给的对象，而不是一味地以土地出让价格为标准；其次，从流通环节进行改革，加大住房的供给力度，打击囤地捂地现象，对房地产投机行为量身定制精确的打击政策；最后，尽管物业税的开征不是降低房价的措施，但是其确实是一种有效的辅助措施，必要时可以提高房产持有年限，限定房产持有数量，运用各种金融措施，再辅以物业税政策，促使房价理性回落，从而促进房地产市场可持续健康发展。

参 考 文 献：

［1］Guilfoyle J P. The effect of property taxes on home values［J］. Journal of Real Estate Literature, 2000, 8(2): 111-127.

［2］Lang Kevin, Jian Tianlun. Property taxes and property values: evidence from proposition 2(1/2) ［J］. Journal of Urban Economics, 2004, 1(2): 439-457.

［3］黄云琪.浅析国家对物业税的探索［J］.现代商业,2008,23(6):112-113.

［4］尹中立.用税收手段遏制房地产投机――日韩税收政策的经验与借鉴［J］.新财经,2006,(11):89-93.

［5］常莉.房地产税收改革对房地产业影响的效应分析［D］.西安.西北大学,2007.59-67.

［6］曹映雪,张再金,廖理.开征物业税能否抑制房地产投机［J］.税务研究,2008,(4):42-44.

［7］金成晓,马丽娟.征收物业税对住房价格影响的动态计量分析［J］.经济科学,2008,(6):100-112.

［8］DeVore R A, Oskolkov K I, Petrushev P P. Approximation by feed-forward neural networks

［J］. Artificial Neural Network Number. Math, 1997, (4): 261-287.

［9］Goh A T C. Back-propagation neural networks for modeling complex systems［J］. Artificial Intelligence in Engineering, 1995, 9(3): 143-151.

［10］朱聪.物业税税基评估研究［D］.厦门:厦门大学,2007.

［11］Hirose Y. Back-propagation algorithm which varies the number of hidden units［J］. Neural Networks, 1991, 4(1): 61-66.

［12］Laibcyiger P. Improving option pricing with the product constrained hybrid neural network［J］. IEEE Transactions on Neural Network, 2004, 15(2): 465-475．

［13］Panayiotis A C. Option pricing and trading with artificial neural networks and advanced parametric models with implied parameters［J］. IEEE Transactions on Neural Network, 2004, 45(43): 2741-2746.

［14］Li S H, Liu Z M. A general CAC approach using novel ant algorithm training based neural network［J］. Proceedings of the International Joint Conference on Neural Networks, 1999, 3: 1885-1888.

［15］Morelli M J. Pricing financial derivatives with neural network［J］. Physica A: Statistical Mechanics and Its Applications, 2004, 338(4): 160-165．

［16］王素昭,李静华.国外物业税的经验及启示［J］.山西建筑,2008,34(1):238-239.

［17］鲍敏强.房地产课税估价在物业税课征中的应用［J］.上海房地,2008,(5):45-47.

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文