BP神經網絡模型在地價動態監測中的應用
——以武漢市為例

賈 麗，王 廷

（1.池州學院 政法管理系，安徽 池州 247000；2.柳州市國土資源局，廣西 柳州 545000）

BP神經網絡模型在地價動態監測中的應用
——以武漢市為例

賈 麗1，王 廷2

（1.池州學院 政法管理系，安徽 池州 247000；2.柳州市國土資源局，廣西 柳州 545000）

本文運用BP神經網絡模型能夠以一定的精度逼近復雜的非線性映射，由地價的影響因素推導出地價的原理，通過MATLAB這種科學工程語言，對收集到的武漢市2008年住宅用地地價動態監測點情況進行分析檢驗，通過檢驗結果驗證現有監測點地價合理性，并對不合理的監測點地價進行剔除或者修正，得出監測點的理想地價，從而更加準確地反映地價動態變化。

地價動態監測；BP神經網絡模型；武漢市

1 引言

土地是人類寶貴的資源，如何實現土地資源合理利用，確保城市土地健康發展，是土地管理的重要任務。然而隨著改革開放的深化和市場經濟的不斷發展，我國在土地管理過程中出現了大量盲目開發、地價紊亂等不良現象。因此建立一個符合實際需求的監測體系，對地價的變化情況進行及時跟蹤監測是土地管理發展到一定階段的必然措施，為此，1999年國土資源部開始在“城市土地價格調查項目”中明確提出了建立城市地價動態監測體系的要求[1]，但提出的地價動態監測是在監測點設立好之后，根據樣點地價，通過假設開發法、市場比較法、成本逼近法等方法評估監測點地價，可在評估過程中常常會出現地價資料的不完整、相關參數的不易把握、方法確定的主觀性、不同方法估價結果的差異過大等諸多問題，這些都會導致監測點地價不準確性。在估價過程中也有可能因為估價師的個人因素導致監測點地價與實際不符，甚至由于一些非正常因素導致監測點地價與實際誤差很大，使得監測點的地價不能準確真實地反映實際的地價。

鑒于現有地價監測存在的問題，我國已有不少學者將BP神經網絡模型應用到地價評估中，并取得一定的成果。比如武漢大學劉耀林在《人工神經網絡的基準地價評估方法研究》、中科院張蓬濤在《基于神經網絡的基準地價預測模型研究——以河北省主要城市為例》、廣東海洋大學吳明發在《基于GIS的神經網絡法在宗地地價評估中的應用》、浙江大學苑韶峰在《利用人工神經網絡進行國有土地價格評估的探討》等文中，均探討了將神經網絡應用于地價評估的可行性，并通過實例表明人工神經網絡方法具有客觀、準確、通用等優點，可以取得較好的模擬效果。因此本文在上述研究的基礎上提出運用BP神經網絡模型來檢驗現有監測點的評估地價，如果監測點的地價比較合理，那么就可以用該結果來監測地價，如果出現一些不合理點，必須進行剔除或者修正，得出監測點的理想地價。

2 地價動態監測體系概述

地價動態監測通過設置地價監測點和市場交易樣點，定期收集、整理分析相應地價資料，建立長期動態的監測庫，實現對土地市場價格變化的掌握，從而為市場提供客觀的地價信息，為政府進行地價管理和調控提供科學依據，為房地產等行業和其他部門提供信息服務，同時地價監測的實現還便于在地價管理中進行基準地價更新、地價預測預警、地價指數編制、地價信息發布、地價輔助決策等工作。地價動態監測的作用具體可從以下幾個方面來看：

（1）為社會經濟發展及時提供最新地價信息

地價動態監測體系可以看作是土地市場運行的晴雨表，政府可以通過對監測點地價的公示，還可以實現以經濟手段調整控制用地結構和布局、合理配置城鎮土地的目的。

（2）促進基準地價及時更新

利用地價指數或直接利用監測點地價進行基準地價更新，是基準地價更新最有效和直接的方法。當土地級別不變或只作局部調整時，可直接用地價指數進行基準地價更新；當土地級別己作大范圍調整時，不宜再用地價指數更新基準地價，則可用地價監測點地價對舊的基準地價進行調整。

（3）完善宗地地價評估

監測點地價代表的是一定條件下標準宗地在相應的市場供求狀況下價格，價格的形成來自于市場中已發生交易的樣點地價，最終形成的監測點地價又反映到市場，其價格對其輻射范圍內的土地價格具有很強的指導性。因此，監測點地價可以為監測點周圍的宗地地價評估提供比較案例。

3 運用BP神經網絡模型檢驗監測點地價

3.1 理論基礎

人工神經網絡（Artificial Neural Network，簡稱ANN）一般是指用計算機模擬人腦的結構，用許多的處理單元模擬生物的神經元，用算法實現人腦的識別、記憶、思考過程。它并沒有完全真正地反映大腦的功能，只是對生物神經網絡進行某種抽象、簡化的模擬。人工神經網絡的信息處理由神經元之間的相互作用來實現，知識與信息的存儲表現為網絡元件互連分布式的物理聯系，人工神經網絡的學習和識別決定于各神經元連接權系數的動態演化過程[2]。

當信息能夠運用明確的數學關系進行表達時，往往能夠得到一個很準確的結果，但是在現實社會，很多信息的處理都不能采用具體的模型進行表達，甚至有一些信息還不完全、不全面，針對這類信息的處理，神經網絡具有很大的優勢，它可以從對象的輸入輸出信息中抽取規律而獲得關于對象的認識，并將其認識分布在網絡的連接中予以儲存。神經網絡的信息抽取能力使其能夠在沒有任何先驗信息的情況下自動從輸入信息中提取、發現規律，并通過自組織構建網絡。

人工神經網絡系統具有一定的自學習性，能夠以一定的精度逼近復雜的非線性映射，而地價和其影響因素之間的關系很復雜，很難用一定的函數來描述兩者之間的關系，因此可以利用神經網絡作為多維非線性函數的通用數學模型的優勢來模擬地價影響因素和地價的函數，從而由地價的影響因素推導出地價。

3.2 BP神經網絡模型

常見的人工網絡模型主要包括前饋型網絡模型和反饋型動態網絡模型[3]。

1985年由Rumelhart等提出的BP（Back Propagation）神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前人工神經網絡中應用最廣泛的一種[4]。首先BP算法是靠調節各層的加權使網絡對訓練組進行學習，它的算法可使網絡產生的實際輸出與希望輸出量一致；其次BP網絡是一個含有隱蔽層的網絡，它是從輸入層輸入經中間層逐層處理后傳入輸出層。在正向傳播階段，每一層神經元的狀態只影響下一層神經元的狀態，如果輸出層得不到期望的輸出結果，則進入誤差反向傳播階段，網絡根據反向傳播的誤差信號修改各層的連接權，使誤差信號達到最小，從而可以產生輸入——輸出的非線性映射，這正好適合解決圖形識別等非線性復雜問題[5]。

從結構上講，三層BP網絡是一個典型的前饋型層次網絡。如圖1所示，它是由輸入層n、中間層p和輸出層q組成，中間層也就是隱含層。

圖1 三層BP網絡圖

同層節點間沒有關聯，異層神經元間前向連接。輸入層節點的數目與BP網絡可感知的輸入個數對應，輸出層含有的節點數目與BP網絡輸出個數相對應，中間層節點的數目則可以根據需要進行設置[3]。

令n層節點ni到p層節點pj間的連接權為Wij，p層節點pj到q層節點qt間的連接權為Vjt，αj為p層節點的閾值，θt為q層節點的閾值，則p層中節點的輸出函數為：

q層中節點的輸出函數為：

對有限數目的二值型或連續值型模式對（n（k），q（k））（k=1，…，p），一般來講，三層前饋型 BP網絡可按給定的BP算法進行存儲，以實現預定的映射 n（k）q（k），只要

且 ni（k）∈R，qi（k）∈R，（R 實數域）。

BP網絡（反向傳播算法）的應用為地價評估開辟了一條新途徑。

3.3 BP神經網絡模型檢驗流程

3.3.1 網絡結構確定 BP神經網絡模型的結構主要是確定輸入層、中間層和輸出層神經元的個數。在本文中，輸入層神經元個數即為影響地價的因素，輸出神經元即為預測地價，中間層層數和中間層神經元數的選取是很重要的，如果神經元太少，則網絡學習效果較差，如果太多，則訓練時間較長，甚至還會出現網絡不收斂的情況[6]。一般中間層神經元個數的確定需要滿足下式：

其中m為中間層神經元數，n為輸入層神經元數，w為輸出層神經元數。表示為0到10間的任意整數，但是滿足這兩個條件的m仍在一較大范圍內變動，所以在實際操作中可以通過先設置較少的中間層，然后用同一個樣本集數據，逐漸增加中間層神經元個數，直到誤差最小、網絡穩定為止。

3.3.2 數據的標準化處理 為消除各指標之間量綱的影響，有必要對指標進行標準化處理。本文主要是采用極大值標準化處理，即：

式中：Nij為標準化后i監測點j因子的指標值，Xij為標準化前i監測點j因子的指標值，Xjmax為標準化前j因子的最大指標值，經過標準化處理后，其變化范圍都保持在0到1之間，消除了量綱的影響。

3.3.3 網絡學習 將訓練樣本中影響因素的標準化指標值賦予輸入層的相應節點，樣本中地價的標準化值賦予輸出層節點，利用權值和激活函數，在輸出節點計算出網絡輸出值，并計算網絡輸出與樣點期望輸出之間的誤差，如果誤差小于給定限差，則網絡學習結束，如果大于，則需要進行反向傳播過程，也就是說從輸出層反向計算到隱含層，首先計算同一層節點的誤差，然后按剃度法修正權值修正，再用修正后的各節點鏈接權值進行網絡學習。

利用人工神經網絡評估地價監測點地價，只要將樣本地價各影響因素的量化值作為輸入層，樣本地價作為輸出層，通過網絡學習，確定具體的網絡結構和參數，即可得到地價監測點的評估模型。

4 在MATLAB中實現地價檢驗

MATLAB作為一種“科學便簽式”的科學工程語言，在數學計算、數據分析與可視化、算法研究、數字信號處理、建模與仿真等各方面有著廣泛的應用。其核心是一個基于矩陣運算的快速解釋程序，具有很強的開放性和適應性[7]，

4.1 研究區概況

根據《城市地價動態監測體系技術規范》對監測點配置的要求，結合武漢市由于被天然河流阻隔而使城市比較零散的特點，將武漢市2008年地價監測點配置如下：商業用地監測點35個，三鎮均有分布，且漢口最多，主要分布在二、三、四級；住宅用地監測點71個，三鎮均有分布，主要分布在二、三、四級；工業用地監測點19個，主要分布在二、三級別用地，其中工業一級作為限制區域沒有布設標準宗地。由于住宅用地監測點數量占武漢市地價監測點的絕大部分，分布也較均勻，因此本論文以住宅用地為例進行監測點地價檢驗。

4.2 地價檢驗過程

4.2.1 地價影響因素選擇 影響住宅用地監測點地價的因素很多，包括一般因素、區域因素和個別因素，其中一般因素主要包括社會因素、經濟因素、行政因素和政策因素，他們是指對城鎮的整體地價水平具有的影響，對具體地塊的地價影響不明顯。因此影響監測點地價的主要是區域因素和個別因素，它們對住宅用地地價的影響主要體現在居住區位、居住環境及生活便利度等。不同的城市其影響因素亦不同，評估時根據當地的實際情況選擇影響因素。本文以武漢市住宅用地為例，因此根據武漢市特點，參考武漢市基準地價評估時確定的影響因素，將其將其歸納為以下六點：區域道路級別、距商服中心距離、人口狀況、城市規劃前景、區域基礎設施完備度和區域環境質量。

4.2.2 選擇訓練樣本數量 在選擇訓練樣本的數量時，本著既要考慮訓練樣本的網絡學習效果，又要考慮必須有足夠的預測地價與現有地價對比的原則，邀請參與武漢市地價監測項目的專家組打分，由專家從住宅用地71個監測點中選擇20個市場交易資料比較豐富、地價評估比較準確的監測點作為訓練樣本，其余的51個監測點地價通過BP神經網絡模型預測出來后和現有的監測點地價進行對比，檢驗現有地價的準確性。

4.2.3 確定網絡結構 由于影響地價的因素為6個，因此輸入層有6個神經元，輸出神經元即為預測地價，也就是1，通過訓練，最終選取1個中間層，4個中間層神經元數。

4.2.4 控制誤差 從住宅用地的71個地價監測點中選取20個樣本作為訓練樣本，進行學習訓練，其余的51個用作預測樣本。將影響因子的標準化值作為輸入層神經元，即自變量；將監測點地價作為輸出層，即因變量，確定好網絡結構。在網絡學習中，激發函數選取 Sigmoid 函數，即 f（x）=（1+e-x）-1，設定期望全局誤差E為10-5，在MATLAB里進行網絡訓練，當訓練步數達到500步時，誤差達到要求，如圖2。

圖2 神經網絡模型誤差圖圖

圖3 監測點地價誤差折線圖

4.2.5 預測地價與現有地價對比分析 從BP神經網絡得出的監測點地價與現有監測點地價誤差折線圖中可以看出，兩者整體趨勢基本一致，誤差最大的為監測點420100AJ0062，誤差3.76%，該點位于硚口區簡易路126號，可能是由于交易樣點比較少，計算不準確而導致的。誤差整體基本上控制在1%左右，少數級別較低的監測點，預測地價與現有地價誤差比較大，可能是由于低級別監測點遠離市區，交易樣點較少，收集資料不全面導致的。

4.2.6 修正地價 通過對比分析，發現23、34、39、62、65及71號監測點預測地價與現有地價誤差超過2%，誤差較大，說明這些監測點地價不能準確反映其周圍區域的實際地價水平，如以其為基礎進行地價動態監測，可能存在一些片面，為了使得地價動態監測的準確性，我們需要對其進行修正。修正地價時運用加權平均數方法，考慮到本次BP神經網絡模型樣本數量的有限性，因此對原有地價和BP神經網絡模型預測地價采取7:3比值加權，最終得出修正后的地價，如表1所示。

表1 武漢市住宅用地監測點修正后地價

5 結語

地價動態監測的準確性，很大程度上取決于所收集地價相關數據的準確性和現勢性，但在日常的宗地地價評估操作中，常常會遇到地價資料的不完整、相關參數的不易把握、方法確定的主觀性、不同方法估價結果差異過大等諸多問題，所以本文利用BP神經網絡模型具有一定的自學習性，能夠以一定的精度逼近復雜的非線性映射的功能對武漢市2008年住宅用地監測點地價進行檢驗，并對預測地價與現有地價差異較大的監測點進行修正，以提高監測點地價的精確性。但由于受樣本數量的限制，檢驗過程中的控制誤差仍然較大，但隨著監測點數量的不斷增加，通過BP神經網絡模型檢驗出的結果將會更加準確。

[1]國土資源部.城市地價動態監測體系技術規范[M].北京:中國標準出版社，2007.

[2]楊建剛.人工網絡神經實用教程[M].杭州:浙江大學出版社，2001.

[3]劉增良，劉有才.模糊邏輯與神經網絡[M].北京：北京航空航天大學出版社，1996.

[4]程相君，王春寧，陳生潭.神經網絡原理及其應用[M].北京：國防工業出版社，1995.

[5]金鈺，李書濤.人工神經網絡BP網的應用[J].北京理工大學學報，1998，18（6）：789-791.

[6]苑韶峰，呂軍.利用人工神經網絡進行國有土地價格評估的探討[J].上海交通大學學報：農業科學版，2004，22（2）:188-191.

[7]楊小雄，梁燕燕，盧遠，等.BP神經網絡在住宅區片價評估中的應用[J].廣西師范大學學報：自然科學版，2007,25(2):9-12.

F293

A

1674-1102(2011)03-0061-04

2011-04-13

池州學院引進研究生項目（2009RC033）。

賈麗（1984-），女，安徽合肥人，池州學院政法管理系助教，碩士，研究方向為土地資源評價。

[責任編輯：陳曉華]