基于BP神經結構的商品房定價研究

鄒婷 張禹嘉 梁明月

【摘 要】本文基于BP神經結構對湖南省長沙市商品房的定價問題展開研究，并努力探究影響房價最主要的因素。首先，根據2007-2016年長沙市影響商品房價格的七個研究因素數據，運用插值分析法對數據庫使用立方插值預測，得到2017-2020年七個研究因素的預測數據；其次，建立BP神經網絡模型，對已收集到的樣本進行訓練，不斷逼近樣本所蘊涵的規律，對長沙地區的房價（元/平方米）進行預測；最后，用所得模型對未來幾年的房價進行仿真，觀察其變化規律。根據房價預測結果，為準備在長沙購房的群體提出合理建議。

【關鍵詞】BP神經結構；插值分析法；商品房定價；因子分析；主要影響因素

近年來，全國各大城市的房價迅速上漲。以長沙市為例，自2010年出臺限購令政策后，在短期內長沙市的房價（包括新房和二手房）有所下降，但在經濟高速增長、城市化進程加快，加之公眾樂觀預期等因素共同作用下，房價在長期內仍處于上漲態勢。

從現階段學術研究的情況來看，預測房價的方法很多。從計量角度，房價的變化呈現出一種非線性態勢，使用常規的線性模型進行分析難以得到近似準確的結果。BP神經網絡正是可以通過自身訓練，通過學習某項規則，進而使用最速下降法，利用反向傳播不斷調整網絡的權值和閾值，使網絡的誤差平方和最小，最大限度地逼近輸出結果，從而更加精確的預測房價。

本文采用BP神經網絡模型預測長沙市的房價，利用因子分析法將所選取的七個研究因素進行綜合分類，從而分析各因素的影響水平，最后根據房價的主要影響因素為有意愿在長沙購房的人們提出可行性建議。

一、商品房房價預測模型

（一）變量選取

商品房的定價是政治、經濟、文化和社會環境等多方面多因素共同作用下的結果，但關鍵是理清主要因素和次要因素。本研究將商品住宅投資額（反映當地當年的商品住宅開發情況，投資額大小影響著商品住宅供給量）、商品住宅施工面積（直接影響著未來幾年的商品住宅供給量）、年末戶籍人口數（反映當地當年人口數對商品房住宅市場的需求）、GDP（是說明宏觀經濟的重要指標，而宏觀經濟對整個房地產行業影響非常顯著） 、貸款利率（利率變化能反映宏觀經濟政策的走向，而宏觀經濟政策會直接影響人們對商品住宅的需求變化。考慮到大部分人購房貸款的年限均比較長，本文選擇五年以上的有中長期貸款利率的貸款項目）、平均年工資（工資決定人們的消費能力，并能正確反映房價的真實性）、人均可支配收入（反映了人們的實際消費水平，影響各地商品住宅需求量）作為研究因素。

（二）預測樣本構造

BP神經網絡在已有輸入參數的情況下，對輸出參數作出預測，首先采用插值分析模型對商品房房價的七個影響因素數據做出預測。（表2-1）

（三）長沙市商品房定價的模型建立

首先建立網絡學習樣本和數據歸一化，其次對數據進行訓練、驗證、仿真和建立模型，具體操作如（圖2-1）：

BP神經網絡系統將數據歸為三部分：Training（訓練），Validation（驗證），Test（測試）。其中，Training數據參加訓練，其他兩部分數據用于檢驗。由于網絡是根據這些數據訓練的，因而目標和訓練（Test）數據之間的誤差將越來越小。從圖2-1可以得出：

Training：R=1，Validation：R=1，Test：R=1，All：R=0.99707，說明數據擬和合適。（圖2-2）

Progess左方是目標值，右方是訓練精度目標，迭代50000次后的有效性檢驗顯示6次無錯誤，梯度接近目標精度，均方差也接近目標值，說明此時神經網絡系統建立的模型已經比較合適。進一步得到仿真新數據后，通過得到的模型對新數據進行仿真預測，再根據折線圖可見長沙房價在2017-2020年的變化規律，其中，在2017-2019年快速下降，在2019-2020年開始上升。

圖2-3 長沙房價的仿真預測圖

二、長沙市房價走勢分析

為進一步分析長沙市房價的走勢，現對收集到的2007-2020年長沙市商品房的單價數據進行整理，用Excel軟件作出房價走勢的折線統計圖和商品房單價的同比增長趨勢圖，進而得出分析結論。

圖2-1 2007-2020年長沙市商品房單價同比增長趨勢分析預測圖

由圖2-1，長沙市房價自2011年起維持在5800-6500元的較高水平。其中，2011-2014年、2015-2018年是房價在5800-6500年階段內先升后降的兩個小階段，呈較小波動的漲落。其房價同比增長率較前期（2008-2016年）漲落的差距較大，較后期（2017-2020年）漲落的差距較小。根據曲線趨勢走向，可認為未來房價在較小范圍內的波動將趨于平緩。且針對長沙房價的走勢，大致可以得出以下兩點結論：

（1）長沙市房價在維持較高水平的基礎上趨于穩定水平，存在或升或降的小范圍波動，但未來不會出現大幅度波動；

（2）長沙作為二線城市，發展水平較高，樓市發展空間已經較為飽和，因而房價上升空間不大。

三、影響房價最主要的因素

上述已通過BP神經網絡方法建立合適模型，得出影響長沙房價的基本因素，但為了探究更重要的影響因素，本次研究采用SPSS對多個變量進行重新組構，以得到影響房價最主要的因素。

（一）影響長沙房價的最主要因素探究

1.將原始數據標準化

2.對標準化數據進行因子分析（圖3-1）

由于前兩個特征值的累計貢獻量已達97.365%，故取A1和A2兩個公共因子，足以充分代替原始數據的信息量。

3.列出旋轉后的因子載荷矩陣，對七個原始指標進行分類

（圖3-2）

進行高載荷指標分類，有：

A1（投入與消費水平因子）高載荷指標具體有：X1-GDP；X2-商品住宅投資額；X3-人均可支配收入；X4-平均年工資；X5-貸款年利率；X7-年末戶籍人口數。

A2（商品房房源因子））高載荷指標具體有：X6-商品住宅施工面積

可明顯觀察到影響長沙商品房定價的主要因素為投入與消費水平因子、商品房房源因子。例如，在2013-2014年，長沙商品住宅施工面積由8696.54萬/平方米增長至9688.6萬/平方米，但長沙房價從6292元/平方米降至6119元/平方米，可見該情況是由于長沙房價受商品住宅施工面積影響造成的。

四、結論與建議

超一線城市要解決“大城市病”，不再需要過多的人口涌入，這對正渴求勞動力的次級城市確實是一個機會。再看強二線和省會城市，17年來展開一輪又一輪的“搶人大戰”， 南京、濟南、鄭州、合肥、西安等近20多個城市放開落戶政策，外地人的購房門檻也因為落戶政策而變相降低。因此未來二線城市依然有一定概率對調控政策進行修正，在二線城市買房將會是一個很好的機會。具體建議如下：

1.應及時關注落戶的相關政策和房地產調控政策，瞄準時機，通過正當合理途徑購房；

2.應盡量選擇在居民收入水平與自身條件相適應的地區購房，性價比高；

3.應在符合自己購房條件（價格、環境）的基礎上，選擇具有投資價值的房源。

【參考文獻】

[1]張秉乾. 上海商品住宅市場價格影響因素研究及價格預測[D].甘肅農業大學，2009.

[2]鄧柏峻，李仲飛，張浩.限購政策對房價的調控有效嗎[J].統計研究，2014，31（11）：50-57.

[3]余泳澤，張少輝.城市房價、限購政策與技術創新[J].中國工業經濟，2017（06）：98-116.