环境科学 科技期刊 教育期刊 工业期刊 医学期刊 社科期刊
论文下载
您的当前位置:首页 > 经济类论文 > 市场经济类论文 >
基于MIV-BP型网络实验的房地产价格影响因素研究
发布时间:2015-10-08 02:01 作者: 阅读次数: 文章出自:


基于MIV-BP型网络实验的房地产价格影响因素研究

武田艳,占建军,严韦

(上海应用技术学院 城市建设与安全工程学院,上海 201418)

摘要:研究目的:确定房地产价格影响因素对房价的影响作用。研究方法:文章以经济学中的供求理论为基础,以上海市商品住宅价格为研究对象,对BP神经网络进行训练,计算各因素对房价的平均影响值(MIV),构建MIV-BP模型,实证分析各因素对房地产价格的影响作用。研究结果:生成总值、贷款利率、居民人均可支配收入成为影响我国房地产价格的主要因素,居民消费价格指数、土地增值税对房价产生较显著影响,而在上述变量作用下,房地产的供给面积与销售面积已经很难影响房地产价格的走势。研究结论:应将生产总值、贷款利率、人均可支配收入作为进行房地产价格调控的着力点。

关键词:房地产价格;影响因素;MIV-BP网络;MIV算法

中图分类号: F293.3               文献标识码: A                       文章编号:  

Research on Influence Factors of Real Estate Price Based on MIV-BP Neural Network Test

WU Tian-yan, ZHAN Jian-jun, YAN Wei

(School of Urban Construction and Safety engineering, Shanghai Institute of Technology, Shanghai 201418, China )

Abstract:The purpose of this paper is to confirm real estate price influence factors affect the price of the house. The method used is based on the economics of supply and demand theory, taking the price of commercial housing in Shanghai as the research object, this paper constructed MIV-BP model after training the BP neural network and calculating the impact value (MIV) of various factors , then this paper takes a empirical analysis of each influence factors on real estate prices. The results showed that: generate gross, lending rates and per capita disposable income are the major factors affecting China's real estate prices; the consumer price index and the land appreciation tax produce more significant impact on real estate prices. Thus under the role of these variables, the real estate supply area and sales area have been difficult to influence the trend of real estate prices. So we should take GDP, interest rates and per capita disposable income as the focal point of the real estate price regulation.

Keywords:Real estate prices; influencing factors; MIV-BP network; MIV algorithm

 

1  引言

近年来,我国房地产价格持续快速上涨,以上海为例,从2002年的4291元/平方米上升至2013年的23714元/平方米,房屋销售均价上涨了6倍左右。房地产价格的过快上涨,极大地影响了城市居民的生活质量,造成房地产市场的不稳定。房地产市场过热已经成为一个引起广泛关注的重要经济问题和社会问题,为了遏制房价过快上涨,稳定房地产市场,我国政府加大对房地产市场的宏观调控,出台了一系列房地产调控新政:从2002年的“土地改革”到2005年的“国八条”、2006年的“国六条”和2008年的“四次降息”,再到2009年的“国四条”以及2010年的“国十一条”和“929新政”、2011年的“新国八条”等。这些政策分别从利率、土地供应、土地价格、税收等方面对房地产价格进行调控。那么,在政府的严厉调控下,房地产价格发生了什么变化?影响我国房地产价格的主要因素究竟有哪些?他们是如何影响的?回答这些问题有助于进一步了解房地产价格运行机制,提高政府制定宏观调控政策的有效性和科学性,这也是文章的主要研究内容。

2  国内外研究现状

当前国内外学者对房地产价格影响因素的研究主要集中在政策、利率、信贷和人口等四方面。(1)政策方面:安辉、王瑞东通过构建向量自回归(VAR)模型得出房地产调控政策是影响我国房地产价格的重要因素[1]。丁军指出中国房价的过快上涨,根本原因在于土地供给的非市场化,他认为应当减少不合理的行政干预,完善市场机制[2]。(2)利率方面:段忠东、曾令华在Hort动态资产市场模型的理论框架基础上,运用面板模型讨论了贷款利率与房价之间的相关性[3];Jing He等运用自回归分布滞后-误差修正模型(ARDL-ECM)得出:从长远来看利率与房价呈负相关,从短期来看利率对房价具有滞后效应[4]。(3)信贷方面:刘园、韩斌通过建立ARDL-ECM模型指出银行信贷对房地产价格有重要影响[5];Jansen, Eilev S.等以挪威为研究对象,使用结构模型设计方法,建立短期动力学模型,指出房价与信贷的相互依赖关系[6];Zheng Tan等在理论分析的基础上,使用矢量自回归模型探讨了房地产价格与银行信贷之间的关系[7]。(4)人口方面:周海波采用多元线性回归分析法找出影响房地产价格的最主要因素为人口数量和物价指数[8];Wu,Yan-Xia等通过决策实验室分析法(DEMATEL)指出人口因素对房价有重要影响[9];Tan,Xili等以中国吉林市为研究对象,在多元回归分析的基础上指出人口自然增长率对房地产价格具有显著影响[10]。

综上可知,现有文献主要针对某一特定因素对房地产价格的影响作用进行分析,很少有学者将不同影响因素综合起来进行实证分析与比较。而房地产价格与现实环境紧密联系,影响因素错综复杂,如果仅从某一理论模型得出某一种因素对房价的影响作用程度势必会导致结论的误差。此外,一些主观性的赋值通常也不能够正确反映房价的客观现实性。因此,本文以上海市商品住宅为研究对象,确定房地产价格的影响因素指标,选取2009年1月至2013年6月的房地产市场数据,构建MIV-BP神经网络模型,实证分析不同因素对房地产价格的影响作用。

3  模型原理

3.1 BP神经网络原理

BP神经网络是一种多层前馈神经网络,它的主要特点是信号前向传递,误差反向传播[11]。BP神经网络是一种具有三层或三层以上的神经网络,包括输入层、中间层(隐含层)、输出层,每一层神经元状态属于平行关系,互不干扰,每层神经元只能够影响下层神经元状态。该网络首先进行信号的输入,得到输出信号,然后根据输出误差对权值和阀值进行调整,使输出信号能够通过误差的反向传播而不断逼近期望输出。BP神经网络的拓扑结构图如图1所示。

 

图1 三层前馈BP神经网络拓扑结构图

Fig.1 Three layer feed forward BP neural network topology structure

这种网络结构能够学习大量的输入与输出之间的非线性映射关系,具有高度非线性和很强的自适应学习能力。它可以从大量的离散实验数据中,经过学习训练提取其领域知识,建立起反映实际过程内在规律的系统模型。因此被广泛用于经济、管理、社会学等领域,比如用于土地利用评价[12]、房地产价格预测[13]、房地产泡沫预警[14]、房地产项目风险识别[15]等。

3.2 MIV-BP模型原理

平均值算法(Mean Impact Value,MIV)是一种目前被认为在神经网络中评价各指标之间相关性的最好算法之一,在运算过程中,首先应对BP神经网络进行网络训练,进行仿真输出,在BP神经网络训练完成之后,将训练样本P中每一个自变量分别在其原值的基础上±10%构成新的两个训练样本P1和P2,对这两个新的训练样本用训练好的BP神经网络对其进行仿真,得到两个仿真结果R1和R2,计算(R1-R2)的值,得到的结果即为变动该自变量后对输出因变量产生的影响变化值(Impact Value,IV),最后将IV按观测例数平均得出该自变量对于因变量预测输出的——平均影响值(MIV),然后按照上述步骤依次算出各个自变量的MIV值,最后根据MIV绝对值的大小对各变量进行排序,从而判断出输入参数对于网络输出变量的影响程度。本文将根据房地产价格的MIV绝对值大小得出各因素对房地产价格的影响作用程度。

4  模型构建与实证分析

文章在构建MIV-BP模型的基础上,以上海市商品住宅为研究对象,选取2009年1月至2013年6月的54组房地产市场价格数据,其中前48组数据作为训练集(Training set),后6组数据作为测试集(Test set),通过调整学习速率和期望输出误差,对上述54组数据进行归一化处理,在此基础上使用Matlab R2013a神经网络中的nprtool工具箱对网络进行训练并得出预测输出数据,进而采用MIV算法分析研究各指标与房地产价格变动之间的动态关系。

4.1 变量选取及数据来源

房地产价格影响因素众多,总体上可以分为房地产供给因素与需求因素,确定一组具有针对性、科学性、系统性及效果性特征的指标对于房地产价格影响因素的研究至关重要。本文以供求理论为基础,基于历年学者对房地产价格影响因素的研究结果[16,17,18,19],将房地产价格作为因变量,选择商品住宅供给面积、商品住宅销售面积、土地增值税、商业贷款利率(五年以上)、城市居民消费价格指数(上年同月=100)、上海市生产总值以及城镇居民人均可支配收入共七个指标作为自变量构建MIV-BP模型这些指标中,商品住宅供给面积、城市居民消费价格指数、土地增值税、属于供给因素;城市居民可支配收入属于需求因素;利率、上海市生产总值属于同时影响供求的变动因素。

具体数据样本主要来源于2009年1月至2013年6月的《上海统计年鉴》、《中国统计年鉴》及《同策咨询》等资料。

4.2 MIV-BP神经网络训练

根据BP神经网络原理,三层前馈神经网络可以任意精度逼近任意连续函数,因此本文采用单隐含层,以便提高训练速度。网络的输入层神经元个数为7个,输出层神经元个数为1个,经过训练对比得出隐含层个数为8个时网络误差最小,因此BP神经网络结构设定为7-8-1,最大训练次数设定为2000,学习速率设定为0.1,目标误差设为0.0001,三层之间的传递函数均采用正切S型传递函数tansig,训练函数trainlm是利用Levenberg-Marquardt算法对网络进行训练。

对输入输出数据进行归一化处理之后,BP神经网络训练过程如图2~4所示,由图2可以看出,只经过11次训练,神经网络误差就已经达到目标误差0.001误差结果完全满足训练要求。由图3和图4可知,均方差的值都非常接近1,因此该神经网络对于训练数据有非常好的拟合度,经过训练后的网络对训练数据的预测效果较好。

网站首页 | 关于我们| 投稿流程| 投稿须知| 免责声明| 网站地图
杂志社在线投稿网隶属于射洪县百诚商贸有限责任公司 地址:射洪县太和镇卫生局 网站版权所有,翻版必究Copyright 2015 All Rights Reserved 蜀ICP备15029251号-1
网站说明:国内权威的期刊采编机构