基于SVM的養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)研究

李沖沖

摘要： 針對(duì)我國養(yǎng)老地產(chǎn)項(xiàng)目投資過程中資金需求量大、回收周期長且普遍缺乏開發(fā)經(jīng)驗(yàn)等問題，提出將支持向量機(jī)（SVM）應(yīng)用到養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)中。并結(jié)合我國養(yǎng)老地產(chǎn)發(fā)展現(xiàn)狀，建立基于SVM的養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)模型。結(jié)果表明，該模型預(yù)測(cè)精度較高、運(yùn)算速度較快，能夠輔助養(yǎng)老地產(chǎn)開發(fā)企業(yè)在投資決策時(shí)及早預(yù)知風(fēng)險(xiǎn)，減少投資的盲目性，做出合適的決策。

Abstract： Aiming at the problems of the large amount of capital demand， long payback period and general lack of development experience in the process of China's endowment real estate investment， the application of support vector machine （SVM） in the evaluation of the investment risk of the pension real estate project is put forward. Combined with the current situation of China's pension real estate development， the evaluation model of investment risk of pension real estate projects based on SVM is established. The results show that the model has high prediction accuracy and fast calculation speed. It can help the pension real estate enterprises predict risks in making investment decision to reduce blindness in the investment and make suitable decisions.

關(guān)鍵詞： 養(yǎng)老地產(chǎn)；風(fēng)險(xiǎn)評(píng)價(jià)；支持向量機(jī)

Key words： pension estate；risk evaluation；SVM

中圖分類號(hào)：F293.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2017）11-0040-03

0 引言

隨著人口老齡化程度的不斷加劇，社會(huì)化養(yǎng)老日趨主流，而目前我國傳統(tǒng)的養(yǎng)老機(jī)構(gòu)供給不足、類型單一、設(shè)施簡陋且服務(wù)水平低下，難以滿足大多數(shù)老年人的養(yǎng)老需求。如何積極應(yīng)對(duì)人口老齡化，解決有限的養(yǎng)老資源與急劇增長的養(yǎng)老需求之間的矛盾，成為社會(huì)密切關(guān)注的問題。作為社會(huì)養(yǎng)老的一種形式——養(yǎng)老地產(chǎn)，在此背景下應(yīng)運(yùn)而生。

養(yǎng)老地產(chǎn)是我國實(shí)現(xiàn)居家養(yǎng)老、社區(qū)養(yǎng)老與機(jī)構(gòu)養(yǎng)老相結(jié)合等社會(huì)化養(yǎng)老的有效載體和實(shí)現(xiàn)形式[1]，大力推行養(yǎng)老地產(chǎn)可以有效地緩解政府的社會(huì)保障壓力，解決我國目前所面臨的社會(huì)化養(yǎng)老問題。養(yǎng)老地產(chǎn)作為特殊的新興房地產(chǎn)行業(yè)，盡管其發(fā)展?jié)摿薮螅捎谠谖覈刑幱谔剿骱统醪桨l(fā)展階段，開發(fā)資金需求量大、回收周期長、市場(chǎng)定位不清晰且普遍缺乏開發(fā)全過程的經(jīng)驗(yàn)，致使面臨的風(fēng)險(xiǎn)因素復(fù)雜多樣，給投資者帶來巨大的風(fēng)險(xiǎn)損失。要想使養(yǎng)老地產(chǎn)在我國健康有序的發(fā)展，如何規(guī)避其投資風(fēng)險(xiǎn)，實(shí)現(xiàn)養(yǎng)老地產(chǎn)投資項(xiàng)目盈利成為目前亟待解決的問題。傳統(tǒng)的風(fēng)險(xiǎn)評(píng)價(jià)方法有層次分析法[2]、灰色關(guān)聯(lián)分析[3]、BP神經(jīng)網(wǎng)絡(luò)[4]等，但上述方法在實(shí)際運(yùn)用中均存在一些不足，已不能滿足養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)管理的需要。支持向量機(jī)（Support Vector Machine，SVM）建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷[5]，以期實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化，從而獲得良好的統(tǒng)計(jì)規(guī)律和更好的泛化能力。與傳統(tǒng)方法相比，其具有很好的魯棒性和預(yù)測(cè)能力，有效地解決了小樣本、非線性的問題。故從養(yǎng)老地產(chǎn)實(shí)際出發(fā)，采用SVM方法對(duì)養(yǎng)老地產(chǎn)項(xiàng)目的投資風(fēng)險(xiǎn)進(jìn)行評(píng)估度量，為養(yǎng)老地產(chǎn)項(xiàng)目的投資決策提供一定的支持。

1 養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)因素分析

1.1 養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)因素

1.1.1 項(xiàng)目建設(shè)風(fēng)險(xiǎn)

養(yǎng)老地產(chǎn)項(xiàng)目在整體規(guī)劃建設(shè)方面要求很強(qiáng)的專業(yè)性，從項(xiàng)目選址、規(guī)劃設(shè)計(jì)、配套設(shè)施等各方面必須符合老齡消費(fèi)群體的身體特質(zhì)與心理需求[6，7]，比一般住宅功能更加具體化、細(xì)節(jié)化。養(yǎng)老地產(chǎn)項(xiàng)目建設(shè)風(fēng)險(xiǎn)主要包括：選址風(fēng)險(xiǎn)、適老設(shè)計(jì)風(fēng)險(xiǎn)、配套設(shè)施風(fēng)險(xiǎn)和區(qū)域規(guī)劃風(fēng)險(xiǎn)等。

1.1.2 養(yǎng)老地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)

養(yǎng)老地產(chǎn)作為一個(gè)新興的市場(chǎng)，由于老年人傳統(tǒng)的養(yǎng)老觀念并未改變，且對(duì)該產(chǎn)業(yè)知識(shí)的了解欠缺，尚未被社會(huì)真正接受和認(rèn)可，這將直接影響項(xiàng)目的售出量和租賃量，容易給投資者造成損失。養(yǎng)老地產(chǎn)項(xiàng)目市場(chǎng)風(fēng)險(xiǎn)主要包括：市場(chǎng)供求風(fēng)險(xiǎn)、市場(chǎng)定價(jià)風(fēng)險(xiǎn)、養(yǎng)老市場(chǎng)認(rèn)可風(fēng)險(xiǎn)和市場(chǎng)競(jìng)爭風(fēng)險(xiǎn)等。

1.1.3 政策風(fēng)險(xiǎn)

我國支持和鼓勵(lì)養(yǎng)老地產(chǎn)的建設(shè)，近一兩年國家已陸續(xù)出臺(tái)不少政策，但土地、稅收、金融等支持政策不夠細(xì)化，并沒有形成一個(gè)完整的具有法律效力的鼓勵(lì)性實(shí)施環(huán)境，最終導(dǎo)致政策不能落實(shí)到位，這成為阻礙養(yǎng)老地產(chǎn)發(fā)展的主要因素。養(yǎng)老地產(chǎn)政策風(fēng)險(xiǎn)主要包括產(chǎn)業(yè)政策風(fēng)險(xiǎn)、金融政策風(fēng)險(xiǎn)、稅收政策風(fēng)險(xiǎn)、養(yǎng)老用地政策風(fēng)險(xiǎn)等多個(gè)方面。

1.1.4 經(jīng)濟(jì)風(fēng)險(xiǎn)

經(jīng)濟(jì)風(fēng)險(xiǎn)主要指一系列與經(jīng)濟(jì)發(fā)展相關(guān)會(huì)對(duì)養(yǎng)老地產(chǎn)投資項(xiàng)目的市場(chǎng)產(chǎn)生影響的風(fēng)險(xiǎn)。造成養(yǎng)老地產(chǎn)項(xiàng)目經(jīng)濟(jì)風(fēng)險(xiǎn)的來源較多，主要有融資風(fēng)險(xiǎn)、費(fèi)用控制風(fēng)險(xiǎn)、通貨膨脹風(fēng)險(xiǎn)等。

1.1.5 管理風(fēng)險(xiǎn)

相對(duì)于傳統(tǒng)房地產(chǎn)項(xiàng)目，養(yǎng)老地產(chǎn)的管理服務(wù)內(nèi)容更多，工作更繁瑣，管理者經(jīng)驗(yàn)水平和養(yǎng)老服務(wù)水平的高低，則對(duì)運(yùn)營效果具有重大影響。養(yǎng)老地產(chǎn)項(xiàng)目管理風(fēng)險(xiǎn)包括養(yǎng)老地產(chǎn)項(xiàng)目管理者經(jīng)驗(yàn)風(fēng)險(xiǎn)、養(yǎng)老服務(wù)風(fēng)險(xiǎn)等方面。

1.2 養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系的構(gòu)建

養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系要求科學(xué)、客觀、全面，能夠確切反映影響項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià)狀況的因素。故基于上述對(duì)養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)因素的分析，對(duì)其所涵蓋的影響因素進(jìn)行進(jìn)一步的歸納與分類，建立養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系如圖1所示。

2 支持向量機(jī)基本原理

3 基于SVM的養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)

選取已建成的12個(gè)典型養(yǎng)老地產(chǎn)項(xiàng)目作為實(shí)例分析對(duì)象，采用已構(gòu)建的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系對(duì)養(yǎng)老地產(chǎn)項(xiàng)目的投資風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)。

3.1 收集數(shù)據(jù)

由于影響?zhàn)B老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)的各評(píng)價(jià)指標(biāo)多為定性因素，故采用專家打分的方法，聽取20位養(yǎng)老地產(chǎn)項(xiàng)目方面的專家意見，并依據(jù)多年的研究經(jīng)驗(yàn)對(duì)各個(gè)項(xiàng)目進(jìn)行打分，打分的分值為：0.1，0.3，0.5，0.7，0.9五個(gè)等級(jí)，依次對(duì)應(yīng)風(fēng)險(xiǎn)：低，較低，一般，較高，高五個(gè)評(píng)價(jià)等級(jí)。打分時(shí)由專家充分審核，分析各個(gè)項(xiàng)目規(guī)劃、實(shí)際運(yùn)行和經(jīng)營狀況，給出各風(fēng)險(xiǎn)指標(biāo)的評(píng)分值以及項(xiàng)目的風(fēng)險(xiǎn)值，匯總整理后，得到養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)專家評(píng)估數(shù)據(jù)集。如表1所示，表1中第1列為12個(gè)學(xué)習(xí)樣本，U1-U17列表示專家對(duì)各風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)的平均值，最后1列為專家綜合評(píng)價(jià)值。以體現(xiàn)養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)的各項(xiàng)風(fēng)險(xiǎn)因素指標(biāo)值作為支持向量機(jī)的輸入向量，項(xiàng)目投資風(fēng)險(xiǎn)值作為輸出變量，兩者構(gòu)成模型訓(xùn)練集。選取前9個(gè)項(xiàng)目的樣本數(shù)據(jù)作為SVM訓(xùn)練樣本集，后三個(gè)項(xiàng)目的樣本數(shù)據(jù)作為測(cè)試樣本集，用來驗(yàn)證基于SVM的養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)模型的準(zhǔn)確性。

3.2 確定模型參數(shù)

3.3 結(jié)果分析

將后三個(gè)作為測(cè)試樣本代入建立的模型進(jìn)行驗(yàn)證，實(shí)際輸出結(jié)果分別為0.4418、0.3918和0.6482，其相對(duì)誤差如表2所示。

從訓(xùn)練模型對(duì)測(cè)試樣本評(píng)估的結(jié)果可知，SVM的評(píng)價(jià)值與專家評(píng)價(jià)結(jié)果基本一致，相對(duì)誤差均在可接受范圍內(nèi)，基本上已能符合實(shí)際評(píng)估工作的要求，說明利用支持向量機(jī)建立的養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)模型具有良好的適用性且擬合效果較好，可以用來評(píng)價(jià)養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)，并且大大縮短了運(yùn)算時(shí)間。至此，基于SVM的養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)模型已經(jīng)建立起來。對(duì)于待投資的養(yǎng)老地產(chǎn)項(xiàng)目，只需將項(xiàng)目的風(fēng)險(xiǎn)指標(biāo)值輸入訓(xùn)練好的模型中，即可得到該項(xiàng)目的風(fēng)險(xiǎn)評(píng)價(jià)值，同時(shí)確定相應(yīng)的風(fēng)險(xiǎn)等級(jí)，而且可以快速批量的進(jìn)行。

4 結(jié)論

以養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)為研究對(duì)象，在對(duì)風(fēng)險(xiǎn)因素進(jìn)行合理分析的基礎(chǔ)上，結(jié)合我國養(yǎng)老地產(chǎn)的發(fā)展現(xiàn)狀，建立了基于SVM的養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)模型。并通過實(shí)例表明，該模型能夠較好的對(duì)養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)，結(jié)果精確且運(yùn)行速度快，能夠提高投資者決策的可靠性，有效的規(guī)避風(fēng)險(xiǎn)。支持向量機(jī)與常用的風(fēng)險(xiǎn)評(píng)價(jià)方法相比，減少了風(fēng)險(xiǎn)評(píng)價(jià)過程中的主觀性問題，使評(píng)價(jià)結(jié)果更為客觀，并且對(duì)樣本數(shù)量的依賴性較弱，通過有限樣本的學(xué)習(xí)而構(gòu)建的評(píng)價(jià)模型具有較強(qiáng)的泛化能力和推廣能力。因此，將支持向量機(jī)用于養(yǎng)老地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)具有一定的實(shí)踐意義。

參考文獻(xiàn)：

[1]姜睿，蘇舟.中國養(yǎng)老地產(chǎn)發(fā)展模式與策略研究[J].現(xiàn)代經(jīng)濟(jì)探討，2012（10）：38-42.

[2]劉群紅，鐘普平，陳琛.基于AHP方法的老年地產(chǎn)項(xiàng)目投資風(fēng)險(xiǎn)評(píng)價(jià)研究[J].城市發(fā)展研究，2014（11）：29-32.

[3]劉濤，孟曉諭.基于改進(jìn)灰關(guān)聯(lián)分析的多層次綜合風(fēng)險(xiǎn)評(píng)價(jià)模型研究[J].科學(xué)與管理，2009（6）：62-65.

[4]李欣澤，樊相宇.基于BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)風(fēng)險(xiǎn)研究——以西安地區(qū)為例[J].現(xiàn)代商業(yè)，2013（30）：45-47.

[5]馬義德，邱秀清.支持向量機(jī)若干優(yōu)化算法的比較研究[J]. 計(jì)算機(jī)科學(xué)技術(shù)，2006.

[6]Gilroy R. Places that Support Human Flourishing： Lessons from Later Life[J]. Planning Theory & Practice， 2008， 9（2）：145-163.

[7]Smets A J H. Housing the elderly： segregated in senior cities or integrated in urban society？[J]. Journal of Housing and the Built Environment，2012，27（2）： 225-239.

[8]Kim J， Kim S， Tan L. Case Study on the Determination of Building Materials Using aSupport Vector Machine[J]. Journal of Computing in Civil Engineering， 2014， 28（2）：315-326.

[9]丁世飛，齊丙娟，譚紅艷.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報(bào)，2011（01）：2-10.

[10]Cherkassky V， Ma Y. Practical selection of SVM parameters and noise estimation for SVM regression[J]. Neural Networks， 2004， 17（1）：113-126.

[11]陳果，周伽.小樣本數(shù)據(jù)的支持向量機(jī)回歸模型參數(shù)及預(yù)測(cè)區(qū)間研究[J].計(jì)量學(xué)報(bào)，2008（01）：92-96.

[12]任立輝，李文東，慈興華，等.基于LIBSVM的石油錄井中巖屑巖性識(shí)別方法研究[J].中國海洋大學(xué)學(xué)報(bào)（自然科學(xué)版），2010（09）：131-136.