基于人工神經網絡的商服基準地價評估研究

張軼瑩 霍明明 陳偉強

（河南農業大學資源環境學院，河南鄭州 450002）

基于人工神經網絡的商服基準地價評估研究

張軼瑩 霍明明 陳偉強

（河南農業大學資源環境學院，河南鄭州 450002）

根據基準地價評估的特點，以商丘市為例，對人工神經網絡在基準地價評估中的應用進行了探索。以商業定級因子分值為自變量，以修正后的樣點地價為因變量，通過學習樣本訓練，建立了商丘市商服基準地價神經網絡模型。經驗證，神經網絡模型的預測平均誤差為5.54%。根據商丘市6個商業服務用地級別的定級因子平均值，預測了各級別基準地價，結果與實際地價結果基本一致，平均誤差僅為1.66%，與傳統方法——多元回歸分析法相比預測精度提高了4.72個百分點。說明基于人工神經網絡的城市基準地價評估簡便可行，比傳統方法更客觀。

基準地價 人工神經網絡 土地定級 估價模型

基準地價是指在城市規劃區范圍內，對現狀利用條件下不同級別或不同均質地域的土地，按照商業、居住、工業等用途，分別評估確定的某一估價期日土地使用權區域的平均價格［1］。常用的基準地價評估方法有市場比較法、收益還原法、剩余法、成本法。常用的方法雖然在城鎮基準地價的評估中占據主導地位，但其過程比較復雜，數據涉及的領域較多，所需要采集的地價樣本量大，造成效率不高，不僅費時費力，而且也增加了評估成本。為了提高評估效率，降低評估成本，因此，需要引入一種更好的方法來準確預測城市基準地價。基準地價作為政府宏觀調控土地需求的主要手段之一，如何在快速、準確、高效地進行基準地價的更新評估的同時，保證基準地價評估的精度，已成為當今國土管理部門十分關注的問題。

表1 網絡訓練樣本

表2 驗證樣本

表3 不同商服用地級別定級因子平均分值表

圖1 BP網絡學習訓練基本步驟

表4 商丘市商服用地基準地價預測表 單位：元/m2

圖2 網絡訓練誤差曲線

1 理論基礎［2-8］

人工神經網絡（Artificial Neural Net Work，簡稱ANN）是一種信息處理系統，其模型是由多個基本單元以某種規則連接而成的層次網絡結構。它以基本單元模擬生物大腦中的神經元，通過單元間信息的相互傳遞來模擬大腦神經網絡的學習、記憶、推理、歸納等功能。其優點在于不需要設計任何數學模型，只需靠過去的經驗來學習，具較強的容錯性，對不完全信息、帶噪音的信息具良好的適應性，對非線性關系的模擬更具優越性。目前神經網絡已廣泛應用于智能識別、自動控制、圖像與語言處理等方面，而預測評估也是其重要的應用領域之一。人工神經網絡的種類很多，BP神經網絡就是最具代表性、應用最廣泛、效果最好的方法之一。因為BP神經網絡能夠調整權值，使網絡總誤差最小，同時網絡學習過程也是一種誤差邊向后傳播邊修正權系數的過程。

BP神經網絡又稱誤差反向神經網絡，屬于向前多層傳播、有導學習的神經網絡，由大量簡單的處理單元（神經元）廣泛互連形成的復雜的非線性系統。BP神經網絡模型通常由輸入層、包含一層或多層的隱含層和輸出層組成，同層各神經元互不連接，相鄰層的神經元通過權連接。

針對含有m個樣本的訓練集，BP網絡學習訓練的基本步驟，如圖1所示：

（1）初始化。設置各個權值 Wij和閾值jθ的初始值，并保證這些值在（0，1）范圍內，同時設置最大迭代次數M（M＞m）和目標誤差；

（6）樣本經過反復訓練，當達到最大迭代次數M時，網絡不收斂；或者訓練誤差小于等于目標誤差時，網絡收斂時，就達到期望效果，得到輸出向量，則訓練結束。

2 研究思路

本文利用人工神經網絡研究基準地價的基本思路：首先，根據地價樣點圖與各定級因子圖之間的空間關系，得到地價與定級因子間的關系表，抽取商業地價記錄作為神經網格學習樣本；其次，以各定級因子的作用分值為自變量，修正后的地價為因變量，訓練神經網絡模型；第三，利用未進入學習樣本的地價樣點，驗證網絡模型精度；最后，利用神經網絡模型評估不同級別的基準地價。

3 實例驗證——以商丘市為例

3.1 數據來源

（1）商丘市2013年城鎮商業定級數據。具體包括商服繁華影響度分值圖、道路通達度分值圖、公交便捷度分值圖、對外交通便利度分值圖、作用分值完備度分值圖和人口密度分值圖，數據格式為10m× 10m的ArcGIS軟件的柵格數據。

（2）商丘市2013年城鎮商業地價樣點數據。主要包括土地出讓、出租、轉讓等地價調查樣點。地價樣點按照基準地價內涵進行修正，即估價基準日為2013年1月1日，通路、通電、通訊、通上水、通下水、通氣及土地平整的六通一平開發標準，土地容積率為2.2，土地出讓年限為40年。地價樣點數據格式為ArcGIS的Shape點數據圖層。

3.2 選取學習樣本

影響樣本的因素包括一般因素、區域因素和個別因素。由于預測的宗地都位于商丘市，一般因素都相同，不需要考慮；土地級別綜合反映了土地的自然條件和區位條件，能反映出土地的區域差異，因此可以用土地級別來區分區域因素［9］。由于土地用于商業，商服繁華度和交通便捷度對商業的影響較大，同時設施完善度和對外便捷度對商業的開發成本影響較大，進而影響價格，綜合以上分析這里選取的個別因素主要有：商服繁華度、公交便捷度、基礎設施完善度、對外交通便利度、道路通達度、人口密度。

將地價與定級因子關系表中數據導入MATLAB軟件中，從200多個樣本中剔除存在明顯錯誤的數據，隨機選取了61個商業地價樣本，用于BP神經網絡建模。將學習樣本分為訓練樣本和測試樣本兩類，前55個樣本點為訓練樣本，后6個樣本點為測試樣本。為了充分發揮BP神經網絡的預測功能，提高其輸出精度，需將輸入數據作歸一化處理，一般將輸入量歸一化到［0，1］區間［10］。

式中： I為標準化后商丘市某因素的指標值， Xi為標準化前商丘市某因素 Xi的指標值， Xmin為標準化前商丘市某因素指標的最小值， Xmax為標準化前某因素指標的最大值。其具體情況如表l所示：

3.3 建立神經網絡模型

M A T L A B軟件提供了強大的神經網絡工具箱，本研究利用MATLAB2012軟件系統進行建模。理論上已經證明，具有一個隱含層的三層網格可以逼近任意非線性函數，因此將網絡設置為三層。將6個影響因子的作用分值作為輸人層神經元，即自變量，將樣點地價作為輸出層神經元，即因變量。隱含層神經元數的選取是比較重要的，也是比較困難的問題，神經元太少，則網絡學習效果較差，且網絡訓練次數增加；神經元個數太多，則訓練時間較長，且可能出現網絡不收斂的情況，在本模型建立過程中經過多次調試對比，當選取4個隱含層神經元時，網絡的收斂速度比較快，因此隱含層神經元數設置為4。隱含層中的神經元采用S型激發函數，輸出層傳遞函數采用Purelin線性傳遞函數，其參數設置為0.9，最小訓練速率為0.05，動態參數0.8，訓練的目標誤差為0.005，訓練步長為500。經過55個訓練樣本的訓練，并由系統不斷地自動調節網絡權值和閾值，最后得到誤差滿足精度要求的估價神經網絡，網絡訓練誤差曲線如圖2所示。

3.4 網格模型驗證

將這6個測試樣本的基準地價定級因子輸入神經網絡模型，由神經網絡預測出地價，通過與實際地價比較，判斷神經網絡是否具有推廣能力。結果如表2所示，可以看出，用BP神經網絡模型模擬的基準地價和驗證樣本點的結果是比較吻合的，其中最大誤差為8.99%，最小誤差為2.84%，平均誤差為5.62%，預測精度在90%以上。

3.5 基準地價評估

商丘市商服用地定級工作中，將城市用地劃分為6個級別，利用ArcGIS系統的分區統計功能，分別統計6個商服用地級別的商服繁華影響度、公交便捷度、基礎設施完善度、對外交通便利度、道路通達度、人口密度等6個定級因子的平均值，如表3所示，隨商服用地級別從高到低變化，各級定因子分值均呈逐步減少的趨勢。

將表3中各級別的因子平均分值代入神經網絡模型，進行基準地價模擬預測，并將預測結果與商丘市用傳統方法——多元回歸分析法確定的基準地價結果對比分析，結果如表4所示。從表4可以看出，神經網絡預測的基準地價隨土地級別降低而下降，對傳統方法計算的結果基本一致，誤差百分比最大的為六級用地，達到3.76%，最小的為二級用地，僅為0.30%，整體平均值為1.66%，誤差百分比整體呈現二、三、四級小，一、五、六大的趨勢，這與神經網絡建模的學習樣本有關，神經網絡建模的學習樣本主要分布在二、三、四級用地區域中。神經網絡預測值整體比傳統方法計算值偏小，經調查分析發現，商丘市基準地價在進行區域地價平衡時，進行了人為的上調。經過以上分析可以看出，基于BP神經網絡的基準地價評估達到了較高的精度，該方法在基準地價評估中，有很高的應用價值。

4 結論及分析

本文以商丘市商服用地為例，開展了人工神經網絡建模與應用研究，結果表明：

（1）利用3層神經網絡，4個隱含層神經元時，網絡可以快速收斂，通過地價樣點驗證，模型平均誤差為5.54%，達到了較高的精度。

（2）將建立的神經網絡模型應用于商服基準地價評估，與實際地價結果基本一致，平均誤差僅為1.66%。多元回歸分析法預測的結果與實際值的相對誤差為5.54%，預測精度提高了4.72個百分點。

本文的研究實例充分說明，將人工神經網絡運用于基準地價評估的實踐中，是切實可行的。隨著人工神經網絡技術的不斷發展和完善，可以預見其應用將會得到實現和推廣。

本文僅選取城市商業用地中部分樣本進行了建模分析和研究，存在樣本量小、土地區域或地價范圍有限等局限性，對于大樣本、多級別、大范圍的土地估價模型的建立和應用，還有待進一步深入探討和研究。

［1］中華人民共和國國家質量監督檢驗檢疫總局.城鎮土地估價規程（GB/T18508-2001）［S］.北京：中國標準出版社，2002.

［2］葛哲學，孫志強.神經網絡理論與MATLAB R2007實現［M］.北京：電子工業出版社，2008，269～311.

［3］王小川，史風.MATLAB神經網絡43個案例分析［M］.北京：北京航空航天大學出版社，2013，1～32.

［4］張威.MATLAB基礎與編程入門［M］.西安：西安電子科技大學出版社，2013，48～132.

［5］袁曾任.人工神經元網絡及其應用［M］.西安：西安電子科技大學出版社，1988.

［6］夏建國，申文金.基于BP神經網絡的征地區片綜合地價評估［J］.經濟地理，2007，27（6）.

［7］王勝武，鄭新奇.基于神經網絡的宗地地價評估探析［J］.山東師范大學學報（自然科學版），2006，21（4）.

［8］吳明發，陳美球.基于GIS的神經網絡法在宗地地價評估中的應用［J］.華南熱帶農業大學學報，2007，13（1）.

［9］孫曉，劉文鍇.基于人工神經網絡的地價評估系統［J］.焦作工學院學報（自然科學版），2003，22（2）.

［10］吳迪軍，劉耀林，黃全義.城鎮基準地價評估的人工神經網絡模型研究［J］.測繪科學技術學報，2007，4.

張軼瑩（1988—），女，河南鄭州人，碩士研究生，研究方向為土地估價與地理信息系統。

霍明明（1989—），女，河南鄭州人，碩士研究生，研究方向為土地估價與土地利用規劃。