《房地产投资风险模糊综合评价(1).pdf》由会员分享，可在线阅读，更多相关《房地产投资风险模糊综合评价(1).pdf（4页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、巨翟呈重瑶圈2 0 0 9 年第8 卷第8 期房地产投资风险模糊综合评价口单丹【摘要】房地产开发企业在面临高收益诱惑的同时，必须对风险进行科学的评价，尤其是美国次贷危机以来，面对房地产交易量持续萎缩、房价下降带来的低迷状态，风险管理的重要性更加突出。利用B P 神经网络建立的风险评价模型，更加适用于房地产项目的风险评价，并能够提升房地产项目风险评价的准确性，排除人为的主观因素，从而很好的为房地产项目投资决策提供科学的依据，使房地产开发企业有效地规避风险。【关键词】B P 神经网络；房地产；评价模型；风险【作者简介】单丹(1 9 8 2 一)，女，辽宁工程技术大学研究生学院硕士研究生；研究方向：
2、投资决策管理房地产投资就是将资金投入到房地产综合开发、经营、管理和服务等房地产业的基本经济活动中，以期将来获得不确定的收益。房地产投资是进行房地产开发和经营的基础，它的结果是形成新的可用房地产或改造原有的房地产。【1 1 而在这个投资活动过程中，收益与风险是同时存在的。鉴于房地产项目投资周期长、投入资金量大，且受外界因素影响显著的特点，本文构建一个有效适用的房地产投资风险系统，无论从哪个立场分析都是十分必要的，传统风险评价方法多停留在对风险的定性表述上，缺乏系统科学的评价，而B P 神经网络可以有效弥补这方面的不足，对房地产的风险管理提供客观、科学的依据。一、房地产投资风险评价指标建立(一)房
3、地产投资风险评价指标体系设计的原则。对房地产投资风险评价指标体系的设计遵循如下原则进行的：一是系统性。指标体系的设计既要综合、全面，又要尽量避免指标之间的复杂、过多及交叉重复。二是科学性。指标体系的设计既要科学、合理，又要客观、公正。三是可行性。指标体系的设计不仅要在理论上行得通，在实际操作上也要简单易行。四是前瞻性。指标体系的设计既要立足于现在，能为目前的房地产投资业服务，也要能保持一定的超前性，能为未来发展变化了的房地产业服务。五是可比性。指标体系的设计既要具有横向的可比性，又要具有纵向的可比性。(二)评价指标的选取。房地产投资风险涉及自然风险、经济风险、政治风险、技术风险、社会风险、管理
4、风险和退出风险等。B 1 依据风险投资的特点，根据各因素间的隶属关系，对影响房地产投资风险的因素进行系统分析和合理整合，建立了房地产投资风险指标体系。该指标体系包括目标层、主因素层和子因素层，其中等级层是对子因素层的等级划分说明。该体系包括以下4 类风险的1 2 项指标：通过D e l p l l i 法，选取如下指标：(1)政策风险：自有资金率A、首付比率B、交易税率C；(2)经济风险：通货膨胀D、利率E、汇率F；(3)技术风险：建筑设计G、施工事故H、信息风险I；(4)管理风险：管理I n d u s t f i a l S c i e n c eT f i b u n e 巨圆层素质J、
5、项目管理经验K、科学决策运用L。二、基于B P 网络模型的房地产投资风险系统构建(一)B P 神经网络基本原理。1 确定各指标的隶属度。H 1(1)有量纲向无量纲的转化。上述指标中，所有指标都是有量纲的值，没有无量纲的指标。由于他们的量纲各异，有的是效益型的，有的是成本型的，难于进行综合对比，因此必须作无量纲处理，也即对评价指标数值做标准化、正规化处理，以便消除指标量纲的影响造成的困难。由于成本型指标数值越小越好，这种指标属于反指标类，现采取一种二次抛物偏小型分布的数学模型描述如下：“X。)=0，x j x、2I 云i JlX i x 血x 幽x i x 眦X=X i n而对于效益型指标数值越
6、大越好，采取二次抛物偏大型分布的数学模型描述如下：f(x i)=O忙L 二!竺2x 一一x。J1x i x _x 蕾面x i x 哪X M=X 面H式中x。指评价系统区域范围内某项指标的最大值；x。指评价系统区域范围内某项指标的最小值；x；指评价系统区域范围内企业该指标的实际值。该模型实际就是“效果好”这个模糊集的隶属度。它具有如下性质：一是严格单调性，在其评价系统区域范围内变化时严格单调。二是函数中包含用于比较的标准值，即各企业某指标的最大值和最小值。三是当正指标数值较低时，隶属度随指标数值的增大而缓慢增大，随着正指标数值增大程度的提高，隶属度增大加速。四是06 f(x)4 1 函数f(x)
7、刻画了“效果好”这个模糊集。(2)无量纲指标的处理。对于指标体系中无量纲的指标，为便于计算，采取线性递增函数进行刻画：115 万方数据巨王冒蚕瑟翟阉2 0 0 9 年第8 卷第8 期g(x j)=x hx 面x i x-旺X M=X I 妇该模型具有f(x)的性质。2 确定单因素评价矩阵R。w。，w：，w 是网络隐含层输出值，网络只有一个输出O，输入单元i 到隐单元j 的权重是w“=(j=1，2，n)，而隐单元j 到输出单元的权重是w j。另外用0 和妣来分别表示输出单元和隐单元的阈值。在图1 中，n。和毗分别表示输入单元和隐单元个数，R。R。R，。为n 1 个评价指标的第P 个样本集的属性值
8、，则S个样本集构成下列属性值矩阵。R=R l lR 1 2如，耽R s IKR 1 如。：R 钿3 B P 神经网络的学习算法。神经网络是大量的神经元广泛互联而成的网络，它在图1 中r n，r 吐，k 为指标集域上r p 经相应隶属函数量化后的评价向量(隶属度向量)，记为r o=(r i I，屯，k)，W j j=(i=l，2，n，j=1，2，n)表示隐单元层第j 单元的连接权系数，w。=(j=1，2，n)表示隐单元层第j 单元到输出单元层的连接权系数，0。为样本集P 的网络输出。圈1基于房地产投资风险指标体系模型在图1 所示的3 层B P 网络中，对于输入值要先向前传播到隐单元，经作用函数运
9、算后，再把隐单元的输出信息传播到输出单元，最后给出输出值，神经网络中各个单元的输出值按下列公式计算【J：输入单元：O p i=，i=1，2，n隐层单元：O p j=f(n e t p i)，i-l，2，nn e t p j=2 w 日0 P i+吼输出单元：O p=f(n e p)，j=l，2，nn e t p j2 W j o p i+0式中f(n e t)采用S 型作用函数，且有：(n e t)2 丌再最韧上述的0 和巾(j=1，2，n)为神经元阈值。(二)基于神经网络的房地产投资风险模式的建立。本文构建一个三层B P 房地产投资风险评价模式。其输入层神经元个数由输入量确定，输出层神经元个
10、数由输出类别决定。11 6 至于隐含层神经元个数一般为经验值，按本风险模式，输入为4 类1 2 个指标，即1 2 个输入节点，输出定义了3 个节点，即(1，0，O)，(0，1，O)，(0，0，1)，分别对应于良好、一般、严重。关于隐节点数的选取至今尚未找到一个很好的解析式来表示，大多数还是以经验为依据。瞵1 用于模式识别的B P 网络，选取隐含层节点数为2 2。连接权的初值在 一O 2，0 2 内随机选取。另外由于输入是连续变量，输出是布尔型离散向量，故需对输入量作归一化处理。根据房地产企业的实际情况，分别计算1 2 项指标，作归一化处理后作为网络的输入数据。收集一定数量的已知房地产类别的企业
11、的相关风险指标数据，作为学习样本，进行学习训练，待网络收敛后，网络就抽取了样本隐含的特征关系，即获得了投资风险的知识。这些知识是以分布在网络内部的连接权值隐性表达的，这时，固定其连接权值和阈值，使训练好的神经网络处于回想状态，对于一个给定的输入便产生一个相应的输出，由网络的输出即可方便地确定房地产投资风险的类别。旧。最后可运用M a t l a b 语言进行实证分析，建立前向三层B P网络，并选取6 0 个学习样本，其中有2 0 个房地产投资风险状况良好的企业，2 0 个房地产投资风险状况一般的企业和2 0个房地产投资风险严重的企业，在每类中随机选取5 个样本作为测试集，其余4 5 个作为训练
12、集，进行实验。训练或测试前使用M a t l a b 的P r e n m m x 函数对样本进行归一化处理，训练或测试后使用M a t l a b 的P o s t m n m x 函数对网络的输出进行处理。对训练集样本进行归一化处理后，采用两种训练算法进行训练，然后用测试集样本进行测试，由测试结果我们可以看出，测试结果与期望输出接近，说明本文构建的房地产投资风险模型是有效的。三、结语由以上可以看出，B P 神经网络在房地产投资风险评价中具有很好的适用性和准确性，大大排除了人为主观的评价，减小了项目评价的主观性，可以很好的为房地产开发企业服务，使房地产开发企业有效地规避风险。同时，本文也存在
13、不足之处，在房地产投资风险评价过程因素的选择、权重的分配等含有主观判定的人为因素，会在一定程度上影响评价的准确性，该模型还需不断修改和完善。【参考文献】1 朱明强B P 神经网络在房地产投资风险分析中的应用 J 四川建筑科学研究。2 0 0 62 钱昆润，芦金铎房地产经济 M 北京：中国计划出版社，1 9 9 9：2 3 3 53 杜栋，庞庆华现代综合评价方法与案例精选 M 北京：清华大学出版社。2 0 0 54 沈建明项目风险管理 M 北京：机械工业出版社。2 0 0 4：1 3 1 55 杜栋，庞庆华现代综合评价方法与案例精选 M 北京：清华大学出版社，2 0 0 46 葛哲学，孙志强神经
14、网络理论与M A T L A B R 2 0 0 7 实现 M 北京：电子工业出版社，2 0 0 7I n d u s t r i a l S c i e n c eT r i b u n eE 墨圆 一竺k0 x一一1二。一一一。图图卤万方数据房地产投资风险模糊综合评价房地产投资风险模糊综合评价作者：单丹作者单位：辽宁工程技术大学研究生学院刊名：产业与科技论坛英文刊名：ESTATE AND SCIENCE TRIBUNE年，卷(期)：2009，8(8)被引用次数：0次 参考文献(6条)参考文献(6条)1.朱明强 BP神经网络在房地产投资风险分析中的应用期刊论文-四川建筑科学研究 2006(6
15、)2.钱昆润.芦金铎 房地产经济 19993.杜栋.庞庆华 现代综合评价方法与案例精选 20054.沈建明 项目风险管理 20045.杜栋.庞庆华 现代综合评价方法与案例精选 20046.葛哲学.孙志强 神经网络理论与MATLABR2007实现 2007 相似文献(10条)相似文献(10条)1.期刊论文 赵莉.Zhao Li 基于BP神经网络的房地产上市公司财务危机预警-价值工程2010,29(8)本文通过对国内外公司财务危机预警相关文献的梳理,并且结合中国房地产行业的特点,提出了构建基于BP神经网络的我国房地产上市公司的财务危机预警模型.2.期刊论文 孟强.MENG Qiang 基于BP神经
16、网络的房地产项目风险评价研究-商业经济2009,(14)房地产开发企业在面临高收益诱惑的同时,必须对风险进行科学的评价,尤其是美国次贷危机以来,面对房地产交易量持续萎缩、房价下降带来的低迷状态,风险管理的重要性更加突出.利用BP神经网络建立的风险评价模型,更加适用于房地产项目的风险评价,并能够提升房地产项目风险评价的准确性,排除人为的主现因素,从而很好的为房地产项目投资决策提供科学的依据,使房地产开发企业有效地规避风险.3.学位论文 朱燕妮 基于BP神经网络的中国房地产上市公司财务危机预警研究 2008 经过了几十年的发展，公司财务危机预警的研究已经成为了被国内外学者广泛关注的研究课题，不仅具
17、有较高的学术价值，而且有着巨大的应用价值，可以成为公司管理者及其利益相关者进行决策的重要参考依据。纵观国内外公司财务危机预警领域的相关研究，主要集中在财务危机预警指标体系的构建和预警模型的构建两个方面，且目前已构建的财务危机预警指标体系以及预警模型多为普适性的。然而随着经济的发展，不同行业间的差异越来越明显，原本普适性的预警指标体系和模型，已经远远不能满足各行业的需要了。因而构建出针对各个行业的财务危机预警指标体系和模型已经成为了财务危机预警研究领域的一个重要的发展趋势。就目前来看，一方面中国房地产行业经过了一轮飞速发展期，已经成为了国民经济的支柱产业之一；另一方面近年来随着中国证券市场的快速
18、发展，房地产上市公司的数量和规模也在不断扩大，有越来越多的投资者关注房地产上市公司的业绩和发展。因此针对中国房地产上市公司构建财务危机预警模型迫在眉睫，然而这一方面的理论研究却不多见。本文通过对国内外公司财务危机预警相关文献的梳理，并且结合中国房地产行业的特点，从财务危机的界定、财务危机警度的划分、研究样本的设计和搜集、变量的选取和优化以及构建模型的方法等方面提出了构建针对中国房地产上市公司的财务危机预警模型的思路。首先，本文构建出了中国房地产上市公司财务危机预警指标体系。笔者选取了44家中国房地产上市公司的1998-2006年的数据作为样本，在广泛的文献阅读的基础上，从偿债能力、盈利能力、经
19、营发展能力、资产管理能力、扩张能力、市场价值维度以及公司治理等8个方面选择了能够全面反映出公司经营与管理各个方面的63个指标，先后采用Kruskal-walis H检验和因子分析对指标进行筛选和优化，得到了中国房地产上市公司财务危机预警指标体系，含有8类24个指标，其中包括笔者特别挑选的能够反映出中国房地产行业特色的指标“每股土地储备金额”。其次，本文构建了中国房地产上市公司分警度财务危机预警模型。在本文构建的财务危机预警指标体系的基础上，采用BP神经网络方法，使用提前一年的样本数据建立了预测期为一年的分警度财务危机预警模型。在该模型的构建过程中，本文比较了MATLAB6.0神经网络工具箱中所
20、提供的trainlm、tramrp、tramscg、tramoJg和tratngax五种快速学习方法，选择出了训练效果最佳的trainlm方法进行网络训练，构建出的财务危机预警模型能够对中国房地产上市公司财务状况区别出“健康”、“轻度财务危机”和“重度财务危机”三个警度，在采用检验样本进行仿真检验时获得了92.38的正确率，而且本模型对财务危机(包括“轻度财务危机”和“重度财务危机”两种情况)的识别能力很强，极大程度上避免了将财务危机误判成健康的情况出现。最后，本文对“海泰发展”1999-2006年的财务状况采用本文构建的针对中国房地产上市公司的财务危机预警模型进行仿真预测，预测结果表明，财务
21、危机年份的预测完全正确，仅出现了1次对健康年份的误判，再次证明了本模型对财务危机的识别能力，应用价值较大。4.期刊论文 李万庆.张金水.孟文清.LI Wan-qing.ZHANG Jin-shui.MENG Wen-qing 基于小波神经网络的房地产价格指数预测研究-河北工程大学学报（自然科学版）2008,25(1)要对非线性趋势房地产价格指数进行预测,就必须利用模拟非线性的模型.应用BP神经网络来对房地产价格指数进行预测,精度和收敛的速度都不是很理想,这主要是因为BP神经网络本身存在着缺陷.为了克服BP神经网络的缺陷,本文将小波变换和BP神经网络结合起来,运用小波神经网络来对房地产价格指数进
22、行预测,并与BP网络的预测结果进行了比较,最后发现用小波神经网络进行经济预测可以达到很好的效果.5.学位论文 范冰辉 广州市房地产市场价格评估模型应用研究 2007 房地产价格评估，是以房地产为对象，对其客观合理的价格或价值进行的估计和判断，是资产评估领域的一个分支。我国的房地产估价经过近二十年的发展，逐步形成了市场比较法、成本法、收益法、假设开发法等传统估价方法。其中市场比较法是最重要、最常用、比较成熟的一种估价方法。房地产市场比较法价格评估是根据经济学中的替代原理，将估价对象房地产与在较近时期内已经发生交易的同类房地产加以比较对照，从已经发生交易同类房地产的已知价格出发，修正得出估价对象房
23、地产价格的一种估价方法。但传统的市场比较法只是对个别因素进行修正，且修正系数由专家凭经验确定，这使得房地产估价带有极强的主观性，难以保证评估结果的客观、科学、公正。本论文针对目前我国房地产估价市场比较法存在的问题运用数学模型进行改进，对AHP市场比较法、模糊市场比较法、灰色市场比较法以及BP神经网络市场比较法进行阐述和比较，发现由于房地产价格与其影响因素之间的复杂、不确定和非线性关系的特性，将人工神经网络引入房地产评估进行改进，能减少由于评估人员主观因素造成的评估结果的偏差，获得较为理想的结果。通过将数理统计中主成分分析与BP神经网络相结合，运用可视化应用软件MATLAB神经网络工具箱进行编程
24、设计，建立基于主成分分析的BP神经网络市场比较法模型。然后，对广州市2006年新增楼盘的样本实证分析，本项研究发现，运用该模型进行房地产价格的预测具备较高的精度，可为房地产价格评估提供较为可靠的理论依据。另外对影响房地产价格的影响因素的重要程度进行分析，运用灰色关联度理论对这些指标进行排序，并分别分析了指标对房地产价格的影响机理，为房地产产品开发定位和市场导向提供新思路。将BP神经网络应用于房地产市场价格评估是较新的理论探索和研究，由于我国房地产市场发展的不健全和房地产价格影响因素的复杂性，该模型还需要后续的完善和深入，以期获得更高的现实应用价值。6.学位论文 陈艳 房地产投资环境评价方法研究
25、 2005 房地产投资环境是房地产进行投资前所必须考查的重要环节，对房地产投资环境的评价是房地产投资人进行投资决策，获得投资效益的重要依据。房地产的可持续发展促进经济的增长，因此系统的研究房地产投资环境不论是对投资方还是对受资方都是重要的，它包含了许多内在和外在的影响因素。本文通过对影响房地产投资环境的因素进行分析，构建出房地产投资环境评价指标体系，本文拟采用一些定量指标来对房地产投资环境进行评价。文中介绍了以往的一些评价方法和它们的不足之处，本文提出了用主成分分析法和BP神经网络模型对房地产投资环境进行评价，这种方法便于减少运算量，达到对投资环境全面、准确的评价，较以往的方法有更好的先进性，
26、更客观，更智能。最后，通过一个应用实例来比较各种方法。7.期刊论文 商升亮.虞晓芬.徐鹏飞.施鸣伟 BP神经网络在杭州房地产市场预警中的应用-统计与决策2005,(16)在现阶段房地产业快速发展的同时,有关房地产市场是否过热的问题越来越被大家所关注.但是对房地产市场是否存在泡沫的问题一直没有一致看法.文章主要尝试通过BP神经网络对杭州市历年的指标数据进行拟合,分析预测2004-2005年的数据.并通过黄色预警方法中比较成熟的统计预警法,来判断杭州市房地产市场现在和未来两年的综合情况.8.会议论文 魏学薛 基于BP神经网络的房地产价格指数组合预测 2008 本文利用基于BP 神经网络的非线性组合
27、预测模型对我国36 个大中城市房地产价 格指数进行了预测，与其他几类常用的预测模型相比该模型的预测精度明显占优，同时使用 该模型预测出我国2007 年第一季度的36 个大中城市房地产价格指数为106.1274。9.期刊论文 杨励雅.邵春福.Yang Li-ya.Shao Chun-fu 基于BP神经网络与马尔可夫链的城市轨道交通周边房地产价格的组合预测方法-吉林大学学报（工学版）2008,38(3)为解决先验数据有限且存在大量不确定因素情况下,城市轨道交通周边房地产价格的预测问题,提出一种基于BP神经网络与马尔可夫链的组合预测模型.首先,采用BP神经网络,使用较少量的样本数据完成城市轨道交通周
28、边房地产价格曲线的粗略拟合;在此基础上,借助马尔可夫链进行系统状态划分,缩小预测区间以提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型,对北京市轨道交通13号线周边房地产价格进行了预测分析.计算结果表明,该模型具有较高的精度和可靠性.10.学位论文 杨黎萌 基于BP神经网络的交易型房地产估价研究 2004 房地产估价在中国是一项新兴中介服务业,是在市场取向改革目标的确立和实施过程中逐渐发展起来的.随之房地产估价方法也需要进一步发展.在多种房地产价格评估方法中,市场比较法是最重要最常用的方法,也是比较成熟的一种估价方法.市场比较法的理论依据是经济学中的替代原理,而房地产市场比较法
29、价格评估是将估价对象房地产与在较近时期内已经发生了交易的类似房地产加以比较对照,从已经发生了交易的类似房地产的已知价格,修正得出估价对象房地产价格的一种估价方法.传统的市场比较法只是对个别因素进行修正,且修正系数也是由专家凭经验确定.这使得房地产估价带有极强的主观性,容易产生房地产估价市场的不稳定.该论文针对目前中国房地产估价市场比较法存在的问题进行分析,并着重对AHP市场比较法,模糊市场比较法,灰色市场比较法,及BP神经网络市场比较法进行阐述,分析其存在的价值及不足之处.提出了广义的BP神经网络市场比较法.此方法是将数理统计中主成分分析与BP神经网络相结合,运用可视化应用软件MATLAB神经网络工具箱进行编程设计.并将权系数的概念引入房地产估价理论中.最后,通过一个完整的应用实例来说明该文方法的应用过程及应用价值.本文链接：http:/