基于BP神經(jīng)網(wǎng)絡(luò)的重慶市房價驗證與預測

王筱欣，高　攀

(重慶理工大學 經(jīng)濟金融學院，重慶　400054)

?

基于BP神經(jīng)網(wǎng)絡(luò)的重慶市房價驗證與預測

王筱欣，高攀

(重慶理工大學 經(jīng)濟金融學院，重慶400054)

利用2000—2014重慶市人均地區(qū)生產(chǎn)總值、總?cè)丝跀?shù)、房地產(chǎn)開發(fā)投資等相關(guān)數(shù)據(jù)，建立BP神經(jīng)網(wǎng)絡(luò)模型，通過與實際數(shù)據(jù)進行比較和誤差分析，驗證該模型在房價預測中的有效性。并預測重慶市2015、2016年的房價，以期給政府部門制定房價宏觀調(diào)控措施提供參考依據(jù)。

BP神經(jīng)網(wǎng)絡(luò)；房價預測；重慶市房價

一、引言

隨著我國經(jīng)濟的快速發(fā)展，房地產(chǎn)業(yè)已經(jīng)逐步成為國民經(jīng)濟的重要支柱[1]。房地產(chǎn)業(yè)的健康、持續(xù)發(fā)展對于促進經(jīng)濟的發(fā)展以及提高人民的生活水平具有重要的作用[2]。但是，近年來由于房地產(chǎn)供需不平衡以及信息不對稱等原因，導致房價持續(xù)上升。影響房地產(chǎn)價格的因素錯綜復雜，如何有效地對房價走勢進行預測，抑制房價過高增長成為人們所關(guān)心的熱點問題。

近年來，隨著重慶市房地產(chǎn)市場迅速發(fā)展，房地產(chǎn)行業(yè)已成為重慶市經(jīng)濟發(fā)展的不可或缺的組成部分。重慶市2000—2014年房地產(chǎn)開發(fā)投資額、房地產(chǎn)開發(fā)企業(yè)個數(shù)、房屋竣工面積以及房屋銷售面積如圖1所示。

從圖1中可以看出，近年來重慶市的房地產(chǎn)開發(fā)投資規(guī)模逐年增大；從2006年開始，房屋銷售面積開始超過房屋竣工面積，需求的增加刺激房屋供給的增加，從而整個房地產(chǎn)市場呈現(xiàn)出一個快速發(fā)展的態(tài)勢。

自2010年國務(wù)院下發(fā)“新國八條”開始，重慶市出臺了房地產(chǎn)稅、差別信貸利率、地方房價調(diào)控目標等一系列調(diào)控政策，這些政策對重慶市房地產(chǎn)市場的發(fā)展產(chǎn)生了比較大的影響。進入2014年，全國房地產(chǎn)市場發(fā)生了顯著的變化，進入了結(jié)構(gòu)性過剩的新階段。國家出臺了一系列新政，開始了新一輪的調(diào)控，而重慶房地產(chǎn)市場作為全國樓市的一部分，也呈現(xiàn)出調(diào)整態(tài)勢。因此，有必要對房地產(chǎn)市場價格做出預測，為政府制定宏觀調(diào)控政策提供一定的參考依據(jù)。

二、國內(nèi)外研究綜述

住宅類房地產(chǎn)價格發(fā)展趨勢和國民經(jīng)濟以及人民生活息息相關(guān)，國內(nèi)外學者對住宅價格問題開展了研究，構(gòu)建有效的模型對房地產(chǎn)價格進行預測。在住宅價格影響因素方面，JLuttik通過對荷蘭近3 000宗交易實例進行分析，建立hedonic模型[3]，結(jié)果發(fā)現(xiàn)比較有吸引力的環(huán)境周圍的房價比一般住宅的房價高。YHu，JYinger和HComments等通過對紐約1990—2000年的住房價格進行測算，估計了學區(qū)合并的資本化對住宅價格的影響，發(fā)現(xiàn)一些小學周邊的房價和租金提高了約25%，根據(jù)規(guī)模經(jīng)濟效應(yīng)，學區(qū)合并對超過1 700名小學生的學校周圍的房價沒有太大影響[4]。我國對房價的研究起步較晚，但隨著近年來房地產(chǎn)市場的發(fā)展，越來越多的國內(nèi)學者開始研究有關(guān)住房價格的問題。如黃厚霞和侯莉穎從經(jīng)濟、人口、金融環(huán)境、人們心理預期、租賃以及政府宏觀調(diào)控等方面對房價影響因素進行了分析[5]。喬林、孔淑紅根據(jù)2000—2009年數(shù)據(jù)對國內(nèi)一線城市和部分二三線城市分別研究，結(jié)果發(fā)現(xiàn)一線城市和二三線城市的房價影響因素也有所差別，對一線城市房價影響最大的是居民收入，而對二三線城市影響最大的是人口因素[6]。

由于傳統(tǒng)經(jīng)濟學模型在房價預測方面的局限性，國內(nèi)外不少學者建立了更加有效的模型對住房價格進行預測。如VLimsombunchai和CGan等通過對夏威夷Christchurch市200個交易數(shù)據(jù)分析，分別建立人工神經(jīng)網(wǎng)絡(luò)模型和hedonic模型，結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)模型比hedonic模型預測效果好[7]。SarahDrought和ChrisMcDonald運用一系列的統(tǒng)計模型來預測新西蘭房價，發(fā)現(xiàn)組合預測是最好的模型，能夠產(chǎn)生較小的均根方差[8]。申瑞娜和曹昶等將原始數(shù)據(jù)用主成分分析方法降維，然后建立支持向量機預測模型，結(jié)果證明經(jīng)過主成分分析的支持向量機具有比較強的預測能力[9]。顧瑩和夏樂天以南京市某樓盤為例，將馬爾科夫鏈引入到房價預測過程中，驗證了該方法的有效性[10]。秦建成和王景舒基于綜合模擬法對重慶市的房地產(chǎn)市場風險進行了評估研究[11]。

從國內(nèi)外研究現(xiàn)狀來看，目前已經(jīng)有較多的房價預測方法，但是在計量經(jīng)濟學基礎(chǔ)上建立的各種經(jīng)濟模型，大部分都是線性模型，而房價的走勢復雜多變，通常呈非線性變化，導致傳統(tǒng)的預測模型誤差較大。BP神經(jīng)網(wǎng)絡(luò)具有極強的非線性逼近能力，不用明確輸入輸出之間的函數(shù)關(guān)系，通過調(diào)整其連接權(quán)值和閾值即可對新的數(shù)據(jù)做出比較準確的預測[12]，本文擬通過對重慶市房價影響因素的分析建立BP神經(jīng)網(wǎng)絡(luò)，并對重慶市房價進行預測。

三、BP神經(jīng)網(wǎng)絡(luò)的建立

BP神經(jīng)網(wǎng)絡(luò)(Back-ProPagationNetwork)又叫做誤差反向傳播神經(jīng)網(wǎng)絡(luò)，是一種按誤差逆向傳播算法訓練的多層前向型神經(jīng)網(wǎng)絡(luò)，主要由輸入層、隱層、輸出層組成[13]。隱層可以有一層或多層，圖2是m×k×n的三層BP網(wǎng)絡(luò)模型。當外界的輸入信息提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層向各隱層傳遞，經(jīng)過隱層的處理向輸出層傳遞，輸出層將經(jīng)過處理的信息向外界輸出，即完成一次學習的正向處理過程。當實際輸出值與預期相差較大時，進入誤差反向傳播過程。按照減少誤差的方向，通過不斷修正各層權(quán)值，從輸出層經(jīng)隱層最后到輸入層，即“BP算法”。這種誤差逆向傳播修正就是BP神經(jīng)網(wǎng)絡(luò)不斷學習訓練的過程。通過這種過程不斷提高網(wǎng)絡(luò)輸出的正確性，當誤差達到可以接受的程度時停止訓練,然后用訓練好的網(wǎng)絡(luò)進行預測。

圖2　三層BP網(wǎng)絡(luò)模型

四、重慶市房價預測模型

1.變量的選取

通過對重慶市房地產(chǎn)市場現(xiàn)狀以及居民生活和消費習慣的分析，發(fā)現(xiàn)對重慶市房價產(chǎn)生較大影響的因素主要有供給因素、需求因素以及經(jīng)濟發(fā)展因素[14]等，如地價水平和房地產(chǎn)開發(fā)投資額會影響房屋開發(fā)成本和房地產(chǎn)供給量，由此對房價造成一定的影響；人均GDP、人均住房使用面積、人均可支配收入、人均消費性支出以及總?cè)丝跀?shù)等指標會影響居民對住房的需求，進而影響房價走勢，即需求越大，房價越高；商品房銷售面積的增加導致經(jīng)濟發(fā)展水平的提高，從而帶動房價的提高。因此，在房價預測過程中要充分考慮這些因素對房價的影響[15]。

本文進行房價預測選取2000—2014年重慶市人均地區(qū)生產(chǎn)總值A(chǔ)1(元)、房地產(chǎn)開發(fā)投資A2(億元)、城鎮(zhèn)居民人均住房使用面積A3(m2)、城鎮(zhèn)居民人均可支配收入A4(元)、城鎮(zhèn)居民人均消費性支出A5(元)、總?cè)丝跀?shù)A6(萬人)、住宅商品房銷售面積A7(萬m2)和地價水平值(住宅用途)A8(元/m2)等8個影響房價的指標作為輸入變量，即8個輸入層節(jié)點數(shù)，取商品房平均銷售價格B1(元/m2)作為輸出變量，即輸出層節(jié)點數(shù)為1。具體變量數(shù)值如表1所示。確定隱含層節(jié)點數(shù)的經(jīng)驗公式為：

其中，m為隱層節(jié)點數(shù)，n為輸入層節(jié)點數(shù)，l為輸出層節(jié)點數(shù)，a為1～12的常數(shù);在本文中先用公式來確定隱層節(jié)點數(shù)的大致范圍，然后根據(jù)多次試算確定具體的數(shù)目為8。

2.數(shù)據(jù)的預處理

在運用神經(jīng)網(wǎng)絡(luò)進行預測之前，為了避免由于原始數(shù)據(jù)過大所造成的網(wǎng)絡(luò)麻痹，需要對原始數(shù)據(jù)進行歸一化處理。將數(shù)據(jù)范圍控制在[-1,1]之間，這樣可以盡可能地使數(shù)據(jù)平滑，從而消除外界因素對預測結(jié)果造成的影響。

3.訓練樣本和預測樣本的構(gòu)造

本文將2000—2011年數(shù)據(jù)作為訓練樣本，將2012—2014年數(shù)據(jù)作為測試樣本，建立一個含8個輸入層，8個隱層，1個輸出層的神經(jīng)網(wǎng)絡(luò)，將歸一化的輸入樣本導入網(wǎng)絡(luò)，再將輸出樣本導入，通過不斷調(diào)整調(diào)整隱層的權(quán)值閾值建立每一年影響房價的各個因素與房價的關(guān)系，同時采用滾動預測的方法對房價進行預測，即用2000—2011年的房價預測2012年的房價，對比2012年的實際房價，神經(jīng)網(wǎng)絡(luò)的各參數(shù)朝著可以減小誤差的方向修改，以此類推以達到訓練的目的。當誤差達到目標時，即可用訓練好的網(wǎng)絡(luò)進行預測；若測試結(jié)果沒有達到目標，則返回訓練，直到測試成功為止。

4.神經(jīng)網(wǎng)絡(luò)模型的建立

在神經(jīng)網(wǎng)絡(luò)開始預測前，用matlab自帶的premnmx()函數(shù)將這些原始數(shù)據(jù)進行歸一化處理。BP神經(jīng)網(wǎng)絡(luò)各隱節(jié)點的激活函數(shù)選用Sigmoid函數(shù)，輸出節(jié)點的激活函數(shù)選用對數(shù)S型sigmoid函數(shù)，用newff創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)為8，輸出層節(jié)點數(shù)目為1，隱含層節(jié)點數(shù)為8。網(wǎng)絡(luò)隱層神經(jīng)元傳遞函數(shù)是tansig,輸出層的神經(jīng)元傳遞函數(shù)為purelin訓練函數(shù)為trainglm,最大訓練次數(shù)為5 000次，學習率為0.15，目標誤差為0.000 000 1。

表1　重慶市2000—2014年影響房價的各因素及房價

數(shù)據(jù)來源：《中國統(tǒng)計年鑒》《重慶統(tǒng)計年鑒》和中國城市地價動態(tài)監(jiān)測網(wǎng)。

5.神經(jīng)網(wǎng)絡(luò)的訓練和結(jié)果

經(jīng)過權(quán)值初始化后對BP神經(jīng)網(wǎng)絡(luò)進行訓練。經(jīng)過多次學習和訓練，網(wǎng)絡(luò)誤差達到目標精度以下，訓練的最佳網(wǎng)絡(luò)性能如圖3所示。從圖3中看出，網(wǎng)絡(luò)經(jīng)過33次訓練達到設(shè)定的誤差以下，停止訓練。

圖3　網(wǎng)絡(luò)性能圖

在網(wǎng)絡(luò)達到最佳訓練效果后，保存當前網(wǎng)絡(luò)，以防止由于初始權(quán)值和閾值不同造成的網(wǎng)絡(luò)不穩(wěn)定，由此來保證預測結(jié)果的準確性。完成對神經(jīng)網(wǎng)絡(luò)的訓練后，用測試樣本數(shù)據(jù)對訓練好的BP神經(jīng)網(wǎng)絡(luò)進行測試，并將測試結(jié)果與實際房價進行對比，網(wǎng)絡(luò)輸出的預測值與真實值的對比結(jié)果如表2所示。

表2　預測值與實際值對比

從測試的結(jié)果來看，訓練完后的BP網(wǎng)絡(luò)的預測性能較高，預測房價的誤差較小，所以借助BP神經(jīng)網(wǎng)絡(luò)模型可以在一定條件下、一定程度上實現(xiàn)對房價走勢的判斷。

用訓練好的BP神經(jīng)網(wǎng)絡(luò)進行預測，結(jié)果得到重慶市2015年房價為5 770.1元/m2，2016年房價為6 103.8元/m2。通過測試的神經(jīng)網(wǎng)絡(luò)具有較高的預測精度，因此對房價的預測結(jié)果具有較強的可信度。

五、結(jié)論

本文首先分析了全國和重慶市房地產(chǎn)市場發(fā)展現(xiàn)狀以及相關(guān)研究綜述，選取對房價影響較大的8個因素建立了BP神經(jīng)網(wǎng)絡(luò)模型，通過對預測數(shù)據(jù)與實際數(shù)據(jù)的誤差分析，評價神經(jīng)網(wǎng)絡(luò)的有效性，最終得出了建立BP神經(jīng)網(wǎng)絡(luò)模型對重慶市房價預測達到了預期的目標，具有一定的可信度，對政府宏觀調(diào)控具有一定的參考價值。

由于商品房銷售價格影響因素錯綜復雜，除了本文所提到的因素外，還受國家宏觀調(diào)控、經(jīng)濟環(huán)境等其他因素的影響，這些因素也在一定程度上影響了神經(jīng)網(wǎng)絡(luò)對房價預測的客觀性，神經(jīng)網(wǎng)絡(luò)在短期預測中能夠得到較好的效果，但是并不適用于長期預測，在實際應(yīng)用過程中要考慮這些方面的影響。

[1]李云平.房地產(chǎn)業(yè)對中國經(jīng)濟的影響[J].科技與企業(yè),2014(6):56-56.

[2]謝海黎.我國房地產(chǎn)行業(yè)發(fā)展現(xiàn)狀與存在的問題[J].中國市場,2015(16):114-114.

[3]LUTTIKJ.Thevalueoftrees,waterandopenspaceasreflectedbyhousepricesintheNetherlands[J].Landscape&UrbanPlanning,2000,48(3/4):161-167.

[4]HUY,YINGERJ,COMMENTSH,etal.TheImpactofSchoolDistrictConsolidationonHousingPrices[J].NationalTaxJournal,2008,61(4):609-33.

[5]黃厚霞,侯莉穎.房價影響因素綜述[J].中國房地產(chǎn)(學術(shù)版),2011(7):39-44.

[6]喬林,孔淑紅.我國不同發(fā)展層次城市房價影響因素的差異分析及對策研究[J].特區(qū)經(jīng)濟,2012(5):210-212.

[7]LIMSOMBUNCHAIV,GANC,LEEM.Housepriceprediction:hedonicpricemodelvs.artificialneuralnetwork[J].AmericanJournalofAppliedSciences,2004,1(3)：193-201

[8]DROUGHTS,McDONALDC.Forecastinghousepriceinflation:amodelcombinationapproach[J].ReserveBankofNewZealandDiscussionPaper,2011 (7).

[9]申瑞娜,曹昶,樊重俊.基于主成分分析的支持向量機模型對上海房價的預測研究[J].數(shù)學的實踐與認識,2013(23)：11-16.

[10]顧瑩,夏樂天.加權(quán)馬爾可夫鏈在房價預測中的應(yīng)用[J].重慶理工大學學報(自然科學),2013,27(8):125-130.

[11]秦建成，王景舒.基于綜合模擬法的重慶市房地產(chǎn)市場風險評估研究[J].重慶理工大學學報(社會科學)，2014(5)：52-56.

[12]胡萬達.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預測[J].重慶三峽學院學報，2014(5)：60-72.

[13]潘志安,沈平.神經(jīng)網(wǎng)絡(luò)算法在房地產(chǎn)價格分析和預測中的應(yīng)用[J].信息通信,2014 (1):17-19.

[14]姜松.房地產(chǎn)價格評估方法前沿動態(tài)及其應(yīng)用研究[J].重慶理工大學學報(社會科學)，2015(11)：47-56.

(責任編輯張佑法)

OntheVerificationandForecastofChongqingHousePriceBasedonBPNeuralNetwork

WANGXiao-xin,GAOPan

(SchoolofEconomics&Finance,ChongqingUniversityofTechnology,Chongqing400054,China)

ThispaperusesPerCapitaGDPof2000—2014,totalpopulation,realestatedevelopmentinvestmentandotherrelateddataofChongqing,andestablishesaBPneuralnetworkmodel.Bycomparingwithactualdataanderror-analyzing,thevalidityofthemodelisverifiedinthehousepriceforecast.ThroughforecastingChongqinghousepricein2015and2016,It’sexpectedtoprovideareferenceforthegovernmenttotakemacro-controlmeasuresforhousingprice.

BPneuralnetwork;housepriceforecast;Chongqinghouseprice

2015-12-20

王筱欣(1956—)，女，重慶人，教授，碩士生導師，研究方向：區(qū)域經(jīng)濟學、產(chǎn)業(yè)經(jīng)濟學。

format：WANGXiao-xin,GAOPan.OntheVerificationandForecastofChongqingHousePriceBasedonBPNeuralNetwork[J].JournalofChongqingUniversityofTechnology(SocialScience)，2016(9):49-53.

10.3969/j.issn.1674-8425(s).2016.09.008

F293.3;F224

A

1674-8425(2016)09-0049-05

引用格式：王筱欣，高攀.基于BP神經(jīng)網(wǎng)絡(luò)的重慶市房價驗證與預測[J].重慶理工大學學報(社會科學)，2016(9):49-53.