王子龍 許簫迪 孫銀銀

摘 要：廣義虛擬經(jīng)濟(jì)視角下房地產(chǎn)市場(chǎng)預(yù)警的前提是確定影響房地產(chǎn)市場(chǎng)發(fā)展的各個(gè)重要環(huán)節(jié)為監(jiān)測(cè)對(duì)象，通過(guò)對(duì)監(jiān)測(cè)警值的分析，確立房地產(chǎn)市場(chǎng)運(yùn)行過(guò)程中已經(jīng)存在的風(fēng)險(xiǎn)和可能發(fā)生的警情變化趨勢(shì)。房地產(chǎn)預(yù)警建立在預(yù)測(cè)技術(shù)之上，其預(yù)警方法是房地產(chǎn)預(yù)警系統(tǒng)的核心。通過(guò)對(duì)廣義虛擬經(jīng)濟(jì)下房地產(chǎn)市場(chǎng)預(yù)警的理論與實(shí)證分析，本文提出房地產(chǎn)市場(chǎng)預(yù)警需要與計(jì)算機(jī)技術(shù)實(shí)現(xiàn)更密切的結(jié)合，開(kāi)發(fā)城市房地產(chǎn)市場(chǎng)預(yù)警系統(tǒng)。先進(jìn)的軟件使房地產(chǎn)預(yù)警系統(tǒng)具有良好的人機(jī)交互能力，將計(jì)算機(jī)信息系統(tǒng)建模技術(shù)引入到房地產(chǎn)市場(chǎng)預(yù)警領(lǐng)域?qū)?huì)成為今后研究的重點(diǎn)方向。

關(guān)鍵詞：廣義虛擬經(jīng)濟(jì)；房地產(chǎn)市場(chǎng)；經(jīng)濟(jì)預(yù)警；預(yù)警方法

The Model and Empirical Research on Real Estate Market Early-warning from Generalized Virtual Economy

Abstract: The premise of real estate early-warning is to determine the development link for monitoring objects on the basis of generalized virtual economy. By analyzing the monitoring alarm value, the existing risks and possible warning trend will be established in the operation process of real estate market. Forecasting technology is the basis of real estate early-warning. The early-warning method is the heart of the earlywarning system of real estate. Through to the theory and empirical analysis on real estate early-warning of generalized virtual economy, the theory of real estate market early-warning and computer technology to realize more closely combines is introduced in this paper. City real estate early-warning system should be developed as soon as possible. Future research should make full use of computer technology to practice and advanced software to enable real estate early-warning system has a good ability of human-computer interaction, computer information systems modeling technology into the real estate market in the field of early warning will become the focus of future research directions.

Keywords: generalized virtual economy, real estate market, economic early warning, early warning method

一、引言

“預(yù)警”從監(jiān)督行為實(shí)施與監(jiān)督客體經(jīng)濟(jì)行為發(fā)生時(shí)序關(guān)系上看是一種事前監(jiān)督，它是一個(gè)預(yù)先估測(cè)和揭示經(jīng)濟(jì)監(jiān)督客體的運(yùn)行態(tài)勢(shì)或運(yùn)行特征，然后通過(guò)一定的方法判斷其狀態(tài)是否偏離預(yù)期目標(biāo)并具體度量其偏離預(yù)警線(xiàn)的強(qiáng)弱度，繼而發(fā)出預(yù)警信號(hào)的過(guò)程。經(jīng)濟(jì)預(yù)警監(jiān)測(cè)最早可以追溯到19世紀(jì)末法國(guó)經(jīng)濟(jì)學(xué)家Forelli提出的以不同色彩作為經(jīng)濟(jì)狀態(tài)評(píng)價(jià)的思想。1915年美國(guó)哈佛大學(xué)Parsons編制了“美國(guó)一般商情指數(shù)”，在綜合13個(gè)經(jīng)濟(jì)指標(biāo)信息的基礎(chǔ)上，根據(jù)時(shí)間變動(dòng)差異關(guān)系分別編制為投資指數(shù)、生產(chǎn)量?jī)r(jià)格指數(shù)和金融指數(shù)。房地產(chǎn)作為宏觀經(jīng)濟(jì)的分支，宏觀經(jīng)濟(jì)預(yù)警研究理論與方法也可用于對(duì)房地產(chǎn)市場(chǎng)的預(yù)警。20世紀(jì)60年代初，美國(guó)房地產(chǎn)市場(chǎng)學(xué)家Stephen A. Pyhrr等開(kāi)始研究西方房地產(chǎn)市場(chǎng)的周期性，探索其房地產(chǎn)周期波動(dòng)及其機(jī)理。20世紀(jì)90年代對(duì)房地產(chǎn)的研究多基于一種假設(shè)，即用于研究房地產(chǎn)的數(shù)據(jù)可以完全代表房地產(chǎn)的周期波動(dòng)狀況。Ronal認(rèn)為這種假設(shè)只能包括房地產(chǎn)長(zhǎng)期周期波動(dòng)的一部分，但將它們用于描述房地產(chǎn)狀況的能力卻是有限的[1]。Karl在研究中重點(diǎn)揭示了在美國(guó)經(jīng)濟(jì)周期中會(huì)影響經(jīng)濟(jì)和房地產(chǎn)市場(chǎng)的因素，分析考慮了房地產(chǎn)在需求上的重要作用，及房地產(chǎn)通脹時(shí)可能發(fā)生的對(duì)經(jīng)濟(jì)的影響結(jié)果[2]。國(guó)內(nèi)學(xué)者趙黎明、錢(qián)偉榮等選擇統(tǒng)計(jì)預(yù)警方法，選取房地產(chǎn)投資額、新開(kāi)工面積、施工面積、竣工面積、銷(xiāo)售面積和土地開(kāi)發(fā)面積這六個(gè)指標(biāo)作為警兆指標(biāo)，以房地產(chǎn)銷(xiāo)售率作為警情指標(biāo)，通過(guò)時(shí)差相關(guān)分析來(lái)進(jìn)行指標(biāo)分類(lèi)，利用經(jīng)驗(yàn)確定預(yù)警界限，確定了模糊評(píng)價(jià)方法來(lái)進(jìn)行警級(jí)綜合的警情預(yù)報(bào)[3]。葉艷兵等在把握房地產(chǎn)市場(chǎng)運(yùn)行規(guī)律的基礎(chǔ)上，按照系統(tǒng)的觀點(diǎn)，采用多方法、多模型集成和多庫(kù)協(xié)同規(guī)劃，構(gòu)建城市房地產(chǎn)預(yù)警系統(tǒng)的總體框架體系，并以武漢市的房地產(chǎn)市場(chǎng)運(yùn)行的實(shí)際為對(duì)象，探討基于景氣循環(huán)波動(dòng)理論的房地產(chǎn)預(yù)警、基于系統(tǒng)核與核度理論的房地產(chǎn)綜合模擬預(yù)警和基于模糊神經(jīng)網(wǎng)絡(luò)理論的房地產(chǎn)預(yù)警模型與方法[4]。

廣義虛擬經(jīng)濟(jì)的發(fā)展為社會(huì)經(jīng)濟(jì)發(fā)展注入了全新的元素[5]。從貨幣資金流的角度來(lái)看，虛擬經(jīng)濟(jì)領(lǐng)域越來(lái)越多地滯留貨幣資金，即流動(dòng)性過(guò)剩出現(xiàn)了泛化的趨勢(shì)，即貨幣的“金融窖藏”（Financial Hoarding）。這些貨幣的存在改變了貨幣供應(yīng)量變動(dòng)與物價(jià)水平的關(guān)系，使得房地產(chǎn)領(lǐng)域起著調(diào)節(jié)貨幣流、穩(wěn)定物價(jià)的功能。當(dāng)前人民幣升值預(yù)期和國(guó)際收支持續(xù)順差引起國(guó)家外匯儲(chǔ)備猛增，使國(guó)內(nèi)流動(dòng)性過(guò)剩問(wèn)題十分突出，而包括房地產(chǎn)在內(nèi)的虛擬經(jīng)濟(jì)充當(dāng)了吸收流動(dòng)性過(guò)剩的主要載體。隨著流入資金的增大，房地產(chǎn)市場(chǎng)成為吸收貨幣資金的重要場(chǎng)所。此外，虛擬經(jīng)濟(jì)可以化解大量來(lái)自于外部的沖擊，保障宏觀經(jīng)濟(jì)的穩(wěn)定發(fā)展。可見(jiàn)，包括房地產(chǎn)在內(nèi)的虛擬經(jīng)濟(jì)的穩(wěn)定對(duì)實(shí)體經(jīng)濟(jì)的穩(wěn)定起著越來(lái)越重要的作用。在廣義虛擬經(jīng)濟(jì)系統(tǒng)中，為防止房地產(chǎn)市場(chǎng)價(jià)格的劇烈波動(dòng)，需要建立起房地產(chǎn)市場(chǎng)發(fā)展的預(yù)警機(jī)制，從而制定一系列調(diào)控價(jià)格的政策。不同政策對(duì)房地產(chǎn)市場(chǎng)價(jià)格的調(diào)控效果不同。在不同的政策作用模式下，市場(chǎng)主體的利益預(yù)期的改變、行為規(guī)則的調(diào)整等問(wèn)題呈現(xiàn)出不同規(guī)律，利益流動(dòng)、資源轉(zhuǎn)移和均衡形成機(jī)理也呈現(xiàn)出各自的特征，價(jià)格調(diào)控政策的效果也會(huì)呈現(xiàn)明顯的差異。房地產(chǎn)市場(chǎng)的發(fā)展現(xiàn)狀，給政府有關(guān)決策部門(mén)、行業(yè)管理組織和理論研究者提出了一個(gè)重大的現(xiàn)實(shí)問(wèn)題，即如何認(rèn)識(shí)我國(guó)房地產(chǎn)市場(chǎng)自身的發(fā)展規(guī)律，減少盲目性，避免決策失誤。其中一個(gè)重要的途徑就是要從我國(guó)的國(guó)情出發(fā)，在大量的理論與實(shí)證研究基礎(chǔ)上，建立一套用來(lái)全面跟蹤、監(jiān)測(cè)和調(diào)控房地產(chǎn)市場(chǎng)發(fā)展的預(yù)警體系。因此，系統(tǒng)研究廣義虛擬經(jīng)濟(jì)視角下房地產(chǎn)市場(chǎng)預(yù)警問(wèn)題，具有重要的實(shí)際應(yīng)用價(jià)值。

二、房地產(chǎn)市場(chǎng)廣義虛擬經(jīng)濟(jì)預(yù)警模型選擇

房地產(chǎn)市場(chǎng)預(yù)警的前提是確定影響房地產(chǎn)市場(chǎng)發(fā)展的各個(gè)重要環(huán)節(jié)為研究監(jiān)測(cè)對(duì)象，即可能出現(xiàn)房地產(chǎn)市場(chǎng)過(guò)熱和房地產(chǎn)市場(chǎng)過(guò)冷的相關(guān)環(huán)節(jié)和領(lǐng)域。這其中包含了兩項(xiàng)工作：一是對(duì)房地產(chǎn)市場(chǎng)發(fā)展過(guò)程進(jìn)行監(jiān)測(cè)，對(duì)監(jiān)測(cè)對(duì)象同其他相關(guān)環(huán)節(jié)的關(guān)系狀態(tài)進(jìn)行監(jiān)視；二是對(duì)大量的監(jiān)測(cè)信息進(jìn)行收集、分類(lèi)、整理、轉(zhuǎn)化、標(biāo)準(zhǔn)化等處理，建立信息檔案，進(jìn)行歷史和社會(huì)的比較。臨界區(qū)域是確定房地產(chǎn)市場(chǎng)所處階段的值域，每個(gè)階段對(duì)應(yīng)于一個(gè)相應(yīng)的值域。只有確定了房地產(chǎn)市場(chǎng)階段的臨界值域才能據(jù)此確定房地產(chǎn)市場(chǎng)當(dāng)前發(fā)展?fàn)顩r。通過(guò)對(duì)監(jiān)測(cè)到的警值的分析，可以確立房地產(chǎn)市場(chǎng)運(yùn)行過(guò)程中已經(jīng)存在的風(fēng)險(xiǎn)和即將可能發(fā)生的警情變化趨勢(shì)。識(shí)別的任務(wù)是選擇出“適宜”的預(yù)警指標(biāo)來(lái)判斷房地產(chǎn)市場(chǎng)的哪個(gè)相關(guān)環(huán)節(jié)已經(jīng)或即將出現(xiàn)不正常情形。在識(shí)別診斷和評(píng)價(jià)的基礎(chǔ)上，綜合分析處理各個(gè)影響因素所反映的房地產(chǎn)市場(chǎng)信息，進(jìn)行匯總聚類(lèi)分析，得出房地產(chǎn)市場(chǎng)總體狀況；進(jìn)而制定房地產(chǎn)市場(chǎng)狀況報(bào)告，上報(bào)給房地產(chǎn)相關(guān)部門(mén)進(jìn)行決策。政府部門(mén)和房地產(chǎn)企業(yè)決策者根據(jù)房地產(chǎn)市場(chǎng)狀況報(bào)告做出相應(yīng)決策。如果房地產(chǎn)市場(chǎng)處于正常運(yùn)行狀態(tài)，則應(yīng)繼續(xù)監(jiān)測(cè)，如果不正常則應(yīng)立即采取相應(yīng)措施使其重新步入正常軌道。已有研究成果證明，BP神經(jīng)網(wǎng)絡(luò)不僅在大樣本的預(yù)測(cè)中具有很好的預(yù)測(cè)精度，而且對(duì)于小樣本的預(yù)測(cè)仍然具有良好的預(yù)測(cè)效果。在房地產(chǎn)市場(chǎng)預(yù)警體系研究中，各預(yù)警指標(biāo)對(duì)市場(chǎng)的貢獻(xiàn)度由神經(jīng)網(wǎng)絡(luò)根據(jù)歷史數(shù)據(jù)的規(guī)律自動(dòng)調(diào)整，避免將權(quán)重人為主觀化，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的預(yù)測(cè)結(jié)果具有可靠性和可信性。因此本文采用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)廣義虛擬經(jīng)濟(jì)條件下房地產(chǎn)市場(chǎng)預(yù)警體系進(jìn)行預(yù)警預(yù)測(cè)。

（一）神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是人腦思維系統(tǒng)的一個(gè)簡(jiǎn)單的結(jié)構(gòu)模擬，可以模擬基本形式的人腦神經(jīng)元功能[6]。人工神經(jīng)網(wǎng)絡(luò)的信息處理是通過(guò)神經(jīng)元之間的相互作用來(lái)實(shí)現(xiàn)的，知識(shí)與信息的存儲(chǔ)表現(xiàn)為網(wǎng)絡(luò)中神經(jīng)元互連分布式的物理聯(lián)系，網(wǎng)絡(luò)的學(xué)習(xí)和識(shí)別則取決于各個(gè)神經(jīng)元的連接權(quán)值的動(dòng)態(tài)演化過(guò)程。人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，能夠模仿生物神經(jīng)細(xì)胞的三個(gè)基本功能：其一，確定輸入信號(hào)的連接權(quán)值，連接權(quán)值為正時(shí)表示興奮，為負(fù)時(shí)表示抑制；其二，確定各輸入信號(hào)連接權(quán)值的加權(quán)和（稱(chēng)為整合函數(shù)）；其三，通過(guò)激活函數(shù)（Activation Function）確定其輸出[7]。人工神經(jīng)元有多個(gè)輸入神經(jīng)元I。對(duì)神經(jīng)元的每一個(gè)輸入都有一個(gè)加權(quán)系數(shù)wij，根據(jù)每個(gè)輸入的權(quán)重分配，神經(jīng)元對(duì)所有的輸入信號(hào)進(jìn)行整合，以確定全部輸入的總效果。得到輸入的總效果后，神經(jīng)元對(duì)輸入進(jìn)行處理，主要體現(xiàn)為將總輸入和偏置值進(jìn)行比較以及將比較后數(shù)值進(jìn)行函數(shù)轉(zhuǎn)換，最后得到人工神經(jīng)元的輸出yi，因此，可以將人工神經(jīng)元的輸入輸出對(duì)應(yīng)關(guān)系表示為：

其中，yi為人工神經(jīng)元的輸出，xj為人工神經(jīng)元的輸入，wij為輸入xj到神經(jīng)元i的權(quán)重，θi為人工神經(jīng)元i的閾值， f (x)為神經(jīng)元的轉(zhuǎn)移函數(shù)。

式中： xj表示輸入信號(hào)， wij表示連接權(quán)值，f (si)為激活函數(shù)，θi表示閾值，Si為整合函數(shù)，yi為輸出函數(shù)。BP算法的學(xué)習(xí)過(guò)程是由正向傳播和反向傳播組成。在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱層單元逐層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望的輸出，則轉(zhuǎn)向反向傳播，將誤差信號(hào)沿原來(lái)的通路返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。首先進(jìn)行初始化，給每個(gè)連接權(quán)值wij、 vjt、閾值θi與γj，賦予區(qū)間[-1,1]內(nèi)的隨機(jī)小值。隨機(jī)選取一組輸入和目標(biāo)樣本 12(,,,)kkk Tyyy=…

提供給網(wǎng)絡(luò)。其次,用輸入樣本12(,,,)kkk

連接權(quán)wij和閾值θi計(jì)算中間層各單元的輸入Sj，然后用Sj通過(guò)激勵(lì)函數(shù)計(jì)算中間層各單元的輸出bj。

bf sjp==…

利用中間層的輸出bj連接權(quán)wij和閾值γj計(jì)算輸出層各單元的輸出Lt，然后利用Lt通過(guò)激勵(lì)函數(shù)計(jì)算輸出層各單元的響應(yīng)Ct。

Tyyy=…的實(shí)際輸出Ct，計(jì)算輸出層的各單元一般化誤差：

()(1)

dyC CC=??1,2,,tq=…

利用連接權(quán)vjt、輸出層的一般化誤差 k

θθβ+=+。

其中，i =1,2,…, n，j=1,2,…,p，0＜β＜1，N為迭代次數(shù)。隨機(jī)選取下一個(gè)學(xué)習(xí)樣本向量提供給網(wǎng)絡(luò)，直到m個(gè)訓(xùn)練樣本訓(xùn)練完畢。重新從m個(gè)學(xué)習(xí)樣本中隨機(jī)選取一組輸入和目標(biāo)樣本，直到網(wǎng)絡(luò)全局誤差E小于預(yù)先設(shè)定的一個(gè)極小值，即網(wǎng)絡(luò)收斂。如果學(xué)習(xí)次數(shù)大于預(yù)先設(shè)定的值，網(wǎng)絡(luò)就無(wú)法收斂。

（二）BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)

盡管BP神經(jīng)網(wǎng)絡(luò)算法得到了廣泛應(yīng)用，解決了許多實(shí)際問(wèn)題，但BP算法仍存在一定不足，其中最急需解決的問(wèn)題主要有兩點(diǎn)：其一，收斂速度慢，通常需要幾千步迭代甚至更多，尤其對(duì)于復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，由于輸入維數(shù)大，造成網(wǎng)絡(luò)的計(jì)算量繁瑣，效率低下；其二，存在“局部極小點(diǎn)”的問(wèn)題。在學(xué)習(xí)的過(guò)程中有時(shí)會(huì)出現(xiàn)當(dāng)學(xué)習(xí)反復(fù)進(jìn)行到一定次數(shù)后，雖然網(wǎng)絡(luò)的實(shí)際輸出與期望輸出還存在很大誤差，但是無(wú)論如何學(xué)習(xí)，網(wǎng)絡(luò)全局誤差的下降速度都變得很緩慢，或者根本不再變化，這種現(xiàn)象是因?yàn)榫W(wǎng)絡(luò)收斂于局部極小點(diǎn)所致[8]。網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)（包括隱含層數(shù)、隱含層單元數(shù)）和運(yùn)算參數(shù)（如步長(zhǎng)、非線(xiàn)性函數(shù)的選取）的確定尚無(wú)公認(rèn)的理論指導(dǎo)，往往是根據(jù)經(jīng)驗(yàn)選取，一旦選取不當(dāng)，系統(tǒng)性能將惡化，無(wú)法達(dá)到預(yù)期的預(yù)測(cè)效果。針對(duì)BP算法的兩個(gè)缺陷，本文對(duì)原有BP網(wǎng)絡(luò)算法進(jìn)行改進(jìn)。采用自適應(yīng)學(xué)習(xí)法和動(dòng)量添加法修改標(biāo)準(zhǔn)BP算法，以有效地規(guī)避網(wǎng)絡(luò)陷入局部最小點(diǎn)等問(wèn)題。傳統(tǒng)BP算法實(shí)際上是一種下降靜態(tài)尋優(yōu)算法，在修正權(quán)值w(k+1)時(shí)，只是按照k時(shí)刻的負(fù)梯度方向進(jìn)行修正，而沒(méi)有考慮到以前積累的經(jīng)驗(yàn)，即以前時(shí)刻的梯度方向，從而常常使學(xué)習(xí)過(guò)程發(fā)生震蕩，收斂緩慢。其權(quán)值修正函數(shù)寫(xiě)為：w(k+1)=w(k)

+ηD(k)。其中，w(k) 是連接權(quán)值，

k時(shí)刻的負(fù)梯度，v是網(wǎng)絡(luò)的實(shí)際輸出與希望輸出的平方誤差，η是學(xué)習(xí)率。針對(duì)標(biāo)準(zhǔn)的BP算法存在的問(wèn)題，可以采用改進(jìn)算法：

w(k+1)=w(k) +η[(1-α)D(k)+aD(k-1)]

a是動(dòng)量因子，采用動(dòng)量因子法，可以有效的降低網(wǎng)絡(luò)對(duì)于誤差曲面局部細(xì)節(jié)的敏感性，很好地抑制網(wǎng)絡(luò)陷入局部極小。這種方法所加入的動(dòng)量因子a實(shí)質(zhì)上相當(dāng)于阻尼項(xiàng)，在k+1時(shí)刻對(duì)權(quán)值修正的時(shí)候不僅考慮了k時(shí)刻的梯度，而且考慮了k-1時(shí)刻的梯度。促使權(quán)值向著誤差曲面底部的平均方向變化，減小學(xué)習(xí)過(guò)程的震蕩趨勢(shì)，從而改善網(wǎng)絡(luò)的收斂性。在BP網(wǎng)絡(luò)中，學(xué)習(xí)率 η的選取一直是一個(gè)重要的研究方向。η是權(quán)值調(diào)整公式的系數(shù)，標(biāo)準(zhǔn)BP網(wǎng)絡(luò)的權(quán)值調(diào)整公式為：

式中Δw(k) 是第k次迭代產(chǎn)生的權(quán)值調(diào)整量，η是學(xué)習(xí)率，E是第k次迭代的誤差，w(k) 是第k次迭代的連接權(quán)值?？梢钥闯觯簩W(xué)習(xí)率η的選取直接影響著權(quán)值調(diào)整量的大小，故其與網(wǎng)絡(luò)的收斂能力及收斂速率密切相關(guān)。學(xué)習(xí)率η選取過(guò)小，則每次權(quán)值的調(diào)整量就小，網(wǎng)絡(luò)收斂速度就很慢，也可能使網(wǎng)絡(luò)陷于局部極?。ㄒ布词乔懊嬲f(shuō)的訓(xùn)練進(jìn)入了“假飽和”狀態(tài)無(wú)法使誤差繼續(xù)減小）；學(xué)習(xí)率選取過(guò)大，則權(quán)值的調(diào)整量就很大，可能使得收斂過(guò)程在最小值點(diǎn)附近來(lái)回跳動(dòng)產(chǎn)生振蕩甚至使網(wǎng)絡(luò)發(fā)散。為了解決這一問(wèn)題，需要在訓(xùn)練過(guò)程中自動(dòng)調(diào)整學(xué)習(xí)率，自適應(yīng)調(diào)整學(xué)習(xí)率的改進(jìn)算法的計(jì)算公式為：

(1)( )( ) ( )

ηηλ=?=??

從式可以看出，當(dāng)連續(xù)兩次迭代其梯度方向相同時(shí)，表明下降太慢，這時(shí)可使步長(zhǎng)加倍；當(dāng)連續(xù)兩次迭代其梯度方向相反時(shí)，表明下降過(guò)頭，這時(shí)可使步長(zhǎng)減半。此方法可以保證網(wǎng)絡(luò)總是以最大的可接受的學(xué)習(xí)率進(jìn)行訓(xùn)練。因此，通過(guò)不斷的調(diào)整學(xué)習(xí)率就可以加速網(wǎng)絡(luò)的收斂。

三、房地產(chǎn)市場(chǎng)廣義虛擬經(jīng)濟(jì)預(yù)警的實(shí)證分析

在二元價(jià)值容介態(tài)的廣義虛擬經(jīng)濟(jì)視角下，信息成為了財(cái)富。因而廣義虛擬經(jīng)濟(jì)視角下的交易主體利益流動(dòng)是信息傳遞的必然結(jié)果[9]。因而對(duì)廣義虛擬經(jīng)濟(jì)視角下交易主體利益流動(dòng)預(yù)警參數(shù)的設(shè)定和求解過(guò)程中，必須將信息在傳遞中的財(cái)富效應(yīng)充分的表達(dá)和體現(xiàn)出來(lái)。房地產(chǎn)以及其他以“財(cái)富標(biāo)志”為基礎(chǔ)的產(chǎn)業(yè)是廣義虛擬經(jīng)濟(jì)視角下的代表性產(chǎn)業(yè)。在廣義虛擬經(jīng)濟(jì)視角下房地產(chǎn)市場(chǎng)預(yù)警前提是確定影響房地產(chǎn)市場(chǎng)發(fā)展的各個(gè)重要環(huán)節(jié)為研究監(jiān)測(cè)對(duì)象，即可能出現(xiàn)房地產(chǎn)市場(chǎng)過(guò)熱和房地產(chǎn)市場(chǎng)過(guò)冷的相關(guān)環(huán)節(jié)和領(lǐng)域。通過(guò)對(duì)監(jiān)測(cè)警值的分析，能夠確立房地產(chǎn)市場(chǎng)運(yùn)行過(guò)程中已經(jīng)存在的風(fēng)險(xiǎn)和即將可能發(fā)生的警情變化趨勢(shì)。這里利用改進(jìn)的BP網(wǎng)絡(luò)對(duì)江蘇省房地產(chǎn)市場(chǎng)的警情進(jìn)行預(yù)警監(jiān)測(cè)，BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入—輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程，具體思路如下：輸入層為江蘇省房地產(chǎn)市場(chǎng)預(yù)警警兆指標(biāo)數(shù)值，輸出層為根據(jù)江蘇省綜合警值分析法得到的警情轉(zhuǎn)化成的多維數(shù)值，如正常警情可轉(zhuǎn)化為五維向量（0，0，1，0，0）。隱層神經(jīng)元個(gè)數(shù)根據(jù)最小誤差法確定。房地產(chǎn)市場(chǎng)的預(yù)警監(jiān)測(cè)是根據(jù)各警兆指標(biāo)警情相對(duì)于房地產(chǎn)市場(chǎng)警情的先行情況確定，如若施工面積是警兆指標(biāo)并且房地產(chǎn)市場(chǎng)警情基準(zhǔn)指標(biāo)先行兩年，就可以根據(jù)2010年該指標(biāo)的警值預(yù)測(cè)出2011年江蘇省房地產(chǎn)市場(chǎng)的警情。

（一）警兆指標(biāo)時(shí)差相關(guān)分析

在房地產(chǎn)市場(chǎng)預(yù)警系統(tǒng)中，由于商品房銷(xiāo)售面積是房地產(chǎn)市場(chǎng)的即時(shí)反映，且與市場(chǎng)波動(dòng)同步變化，可以敏感反映市場(chǎng)，故將商品房銷(xiāo)售面積增長(zhǎng)率作為基準(zhǔn)循環(huán)指標(biāo)。但目前在我國(guó)各城市的預(yù)警預(yù)報(bào)實(shí)踐中多采用房地產(chǎn)價(jià)格或空置率等做基準(zhǔn)指標(biāo)。然而，由于江蘇省房地產(chǎn)統(tǒng)計(jì)中的空置率指標(biāo)本身存在理論缺陷，加之在實(shí)踐中很難得到統(tǒng)一的時(shí)序數(shù)據(jù)，把上述指標(biāo)作為基準(zhǔn)指標(biāo)就存在著一定缺陷。從理論上講，房地產(chǎn)價(jià)格的時(shí)序數(shù)據(jù)不健全，而且價(jià)格確定有一定的市場(chǎng)因素，還有一定的非市場(chǎng)因素，比如政府會(huì)不定期地出臺(tái)一些經(jīng)濟(jì)政策來(lái)干預(yù)房地產(chǎn)市場(chǎng)。因此，本文最終選擇商品房銷(xiāo)售面積作為基準(zhǔn)指標(biāo)來(lái)進(jìn)行江蘇省房地產(chǎn)市場(chǎng)預(yù)警體系警兆指標(biāo)的時(shí)序分析，各指標(biāo)相對(duì)于商品房銷(xiāo)售面積增長(zhǎng)率的時(shí)差分析如表1所示。

時(shí)差相關(guān)分析法計(jì)算的結(jié)果表明以房地產(chǎn)價(jià)格指數(shù)為基準(zhǔn)指標(biāo)，江蘇省房地產(chǎn)市場(chǎng)警兆指標(biāo)有：全社會(huì)固定資產(chǎn)投資、施工面積、房地產(chǎn)開(kāi)發(fā)投資/社會(huì)固定資產(chǎn)投資、房地產(chǎn)開(kāi)發(fā)投資、居民消費(fèi)價(jià)格指數(shù)（上年=100）、土地開(kāi)發(fā)面積，且這些指標(biāo)相對(duì)于警情指標(biāo)領(lǐng)先的年份分別為：全社會(huì)固定資產(chǎn)投資領(lǐng)先2年，施工面積領(lǐng)先2年，房地產(chǎn)開(kāi)發(fā)投資/社會(huì)固定資產(chǎn)投資領(lǐng)先1年，房地產(chǎn)開(kāi)發(fā)投資領(lǐng)先1年，居民消費(fèi)價(jià)格指數(shù)（上年=100）領(lǐng)先1年，土地開(kāi)發(fā)面積領(lǐng)先3年。

（二）房地產(chǎn)市場(chǎng)BP神經(jīng)網(wǎng)絡(luò)預(yù)警監(jiān)測(cè)

利用改進(jìn)后的算法替代標(biāo)準(zhǔn)BP算法的學(xué)習(xí)訓(xùn)練函數(shù)，在Matlab的神經(jīng)網(wǎng)絡(luò)工具箱中有traingdx函數(shù)對(duì)應(yīng)的網(wǎng)絡(luò)訓(xùn)練[10]：首先，初始化隱含層和輸出層的連接權(quán)值 wij、vjt閾值θj與γj；其次樣本輸入值為Pk=(a1,a2,…,an),期望輸出值為T(mén)k=(y1,y2,…,yq),網(wǎng)絡(luò)實(shí)際輸出值為Ck=(c1,c2,…,cq)。再次，正向傳播過(guò)程。對(duì)于第T次迭代，利用公式計(jì)算出隱含層的整合函數(shù) f (Sj)和輸出值bj，計(jì)算出輸出層的整個(gè)函數(shù)f (Lt)和網(wǎng)絡(luò)輸出值Ct。最后，修正連接權(quán)值和閾值，利用誤差公式計(jì)算網(wǎng)絡(luò)誤差，判斷誤差是否滿(mǎn)足精度要求（E<ε），ε為給定的精度，如果滿(mǎn)足精度要求，則停止迭代，存儲(chǔ)連接權(quán)值和閾值，結(jié)束訓(xùn)練；如果不滿(mǎn)足精度要求，則誤差逆向傳播，利用權(quán)值修正公式修改各層神經(jīng)元的連接權(quán)值和閾值，并重復(fù)第三步，進(jìn)入下一輪迭代，當(dāng)?shù)螖?shù)超過(guò)給定的最大迭代次數(shù)仍不滿(mǎn)足精度要求時(shí)，退出循環(huán)，修改網(wǎng)絡(luò)后重新訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的步驟是：首先確定預(yù)測(cè)對(duì)象，本文中預(yù)測(cè)對(duì)象為江蘇省房地產(chǎn)市場(chǎng)預(yù)警體系警度；然后確定預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，即確定用于預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)的層數(shù)，輸入層、隱層及輸出層的神經(jīng)元個(gè)數(shù)；再后確定所選預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)、訓(xùn)練函數(shù)、權(quán)值學(xué)習(xí)函數(shù)和性能函數(shù)；最后建立網(wǎng)絡(luò)，按照BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練算法進(jìn)行預(yù)測(cè)。

第一，輸入層。由于是通過(guò)警兆指標(biāo)來(lái)對(duì)房地產(chǎn)市場(chǎng)預(yù)警警情進(jìn)行分析，因此需要考慮時(shí)差因素，具體做法是將房地產(chǎn)市場(chǎng)預(yù)警年份減去時(shí)差數(shù)得到所采用的警兆指標(biāo)所在年份，通過(guò)警兆這一年份的數(shù)值進(jìn)行綜合警情預(yù)警監(jiān)測(cè)。由于數(shù)據(jù)統(tǒng)計(jì)年份截止至2010年，考慮房地產(chǎn)開(kāi)發(fā)投資等指標(biāo)相對(duì)于警情只領(lǐng)先一年，因此只能用現(xiàn)有的警兆指標(biāo)數(shù)據(jù)預(yù)測(cè)2011年江蘇省房地產(chǎn)市場(chǎng)警情。在6個(gè)警兆指標(biāo)中領(lǐng)先年份最長(zhǎng)是土地開(kāi)發(fā)面積，該指標(biāo)領(lǐng)先警情3年，其輸入年份是7年數(shù)據(jù)。輸入層神經(jīng)元個(gè)數(shù)由輸入變量決定，輸入樣本為7維的輸入向量，因此輸入層一共有7個(gè)神經(jīng)元。

第二，輸出層。輸出層神經(jīng)元個(gè)數(shù)由輸出類(lèi)別決定，由于房地產(chǎn)警情有過(guò)冷、微冷、正常、微熱和過(guò)熱5種情況，分別用一個(gè)五維向量來(lái)表示：用（1，0，0，0，0）表示過(guò)冷，（0，1，0，0，0）表示微冷，（0，0，1，0，0）表示正常，（0，0，0，1，0）表示微熱，（0，0，0，0，1）表示過(guò)熱。這樣可以在網(wǎng)絡(luò)中設(shè)計(jì)5個(gè)輸出神經(jīng)元表示五種狀態(tài)類(lèi)別。

第三，中間層。關(guān)于隱含層的層數(shù)有關(guān)文獻(xiàn)證明在一定條件下一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)可以以任意精度去逼近任意映射關(guān)系，即一個(gè)三層BP神經(jīng)網(wǎng)絡(luò)就可以完成任意的n維到m維的映射。而且經(jīng)過(guò)實(shí)踐發(fā)現(xiàn)，與一個(gè)隱含層相比，用兩個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)訓(xùn)練并無(wú)助于提高預(yù)測(cè)的準(zhǔn)確率。因此本文采用三層前向型神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。中間層的神經(jīng)元數(shù)目選擇是一個(gè)十分復(fù)雜的問(wèn)題，往往需要根據(jù)設(shè)計(jì)者的經(jīng)驗(yàn)和多次試驗(yàn)來(lái)確定，因此不存在一個(gè)理想的解析式來(lái)表示。神經(jīng)元個(gè)數(shù)與問(wèn)題的要求、輸入、輸出神經(jīng)元個(gè)數(shù)都有直接的關(guān)系。個(gè)數(shù)太多會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)、誤差不一定最佳，也會(huì)導(dǎo)致容錯(cuò)性差、不能識(shí)別以前沒(méi)有看到的樣本，故一定存在一個(gè)最佳的中間層神經(jīng)元個(gè)數(shù)。通常在選擇最佳神經(jīng)元個(gè)數(shù)時(shí)有三個(gè)參考公式：為輸入神經(jīng)元個(gè)數(shù)，n2為輸出神經(jīng)元個(gè)數(shù)，a為[1,10]之間的常數(shù)。還有一種途徑是，先使隱單元數(shù)目可變，或者放入足夠多的單元，通過(guò)學(xué)習(xí)將那些不起作用的單元剔除，直到不可收縮為止；同樣也可在開(kāi)始時(shí)放入較少的神經(jīng)元，學(xué)習(xí)到一定次數(shù)后，如果不成功則再增加單元數(shù)目，直到達(dá)到比較合理的單元數(shù)目為止。本文選用動(dòng)態(tài)設(shè)計(jì)中間層神經(jīng)元個(gè)數(shù)。根據(jù)上面的參考公式，將單元個(gè)數(shù)設(shè)計(jì)為在某一個(gè)區(qū)間內(nèi)取值，再將它們對(duì)應(yīng)的網(wǎng)絡(luò)預(yù)測(cè)性能進(jìn)行比較，當(dāng)網(wǎng)絡(luò)的預(yù)測(cè)誤差最小時(shí)，網(wǎng)絡(luò)中間層的神經(jīng)元數(shù)目是最佳值。在設(shè)計(jì)狀態(tài)分類(lèi)器時(shí)，根據(jù)Kolmogorov定理，一般中間層神經(jīng)元個(gè)數(shù)應(yīng)在2n1個(gè)左右。

第四，傳遞函數(shù)。傳遞函數(shù)的好壞對(duì)網(wǎng)絡(luò)的訓(xùn)練效率至關(guān)重要。一般情況下采用Sigmoid型函數(shù)，經(jīng)反復(fù)測(cè)試，選擇函數(shù)Tansig(n)作為輸入層到隱含層的傳遞函數(shù)，隱含層到輸出層之間的傳遞函數(shù)確定為L(zhǎng)ogsigmoid型傳遞函數(shù)Logsig(n)，Logsig(n)函數(shù)是Sigmoid的對(duì)數(shù)函數(shù)，它將神經(jīng)元的輸入范圍從 映射到 。Logsig(n)函數(shù)是可導(dǎo)函數(shù)，其函數(shù)表達(dá)式是：

第五，訓(xùn)練函數(shù)。這里的訓(xùn)練函數(shù)采用改進(jìn)后的BP算法訓(xùn)練函數(shù)，MATLAB7.0工具箱提供了各種網(wǎng)絡(luò)結(jié)構(gòu)的標(biāo)準(zhǔn)算法訓(xùn)練函數(shù)，因此該算法可以直接調(diào)用MATLAB7.0工具箱中的traingdx訓(xùn)練函數(shù)。該函數(shù)的學(xué)習(xí)算法是梯度下降動(dòng)量法，而且學(xué)習(xí)速率是自適應(yīng)的。訓(xùn)練參數(shù)中目標(biāo)誤差為0，動(dòng)態(tài)系數(shù)為0.7，考慮到本例的實(shí)際情況，網(wǎng)絡(luò)隱層神經(jīng)元個(gè)數(shù)應(yīng)在13~18之間。因此，可以設(shè)計(jì)一個(gè)隱層神經(jīng)元數(shù)目可變的BP網(wǎng)絡(luò)，通過(guò)誤差比較，確定最佳隱層神經(jīng)元個(gè)數(shù)，進(jìn)而產(chǎn)生神經(jīng)元分別是13、14、…、18的誤差曲線(xiàn)圖，如圖1至圖6所示，對(duì)各誤差圖所出現(xiàn)的最小收斂誤差進(jìn)行匯總?cè)绫?所示。

根據(jù)運(yùn)行結(jié)果可知，在經(jīng)過(guò)10000次訓(xùn)練后，隱層神經(jīng)元為18的BP網(wǎng)絡(luò)效果最好，因?yàn)槠湔`差最小為5.2E-007。故本文神經(jīng)網(wǎng)絡(luò)組合模型中間層神經(jīng)元個(gè)數(shù)確定為18個(gè)。研究認(rèn)為，仿真輸出和目標(biāo)輸出完全吻合實(shí)際情形，說(shuō)明網(wǎng)絡(luò)的非線(xiàn)性映射能力很強(qiáng)。由此可知，該網(wǎng)絡(luò)可以有效地識(shí)別房地產(chǎn)市場(chǎng)預(yù)警指標(biāo)體系預(yù)警程度，為江蘇省房地產(chǎn)市場(chǎng)預(yù)測(cè)提供了有效的工具；將訓(xùn)練樣本的10個(gè)預(yù)測(cè)指標(biāo)數(shù)據(jù)依次輸入到神經(jīng)網(wǎng)絡(luò)的輸入端，并采用改進(jìn)后的算法，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過(guò)10000次迭代訓(xùn)練之后，網(wǎng)絡(luò)誤差很小，收斂到0.0001。

利用土地開(kāi)發(fā)面積等6個(gè)警兆指標(biāo)對(duì)2011年江蘇省房地產(chǎn)市場(chǎng)警情進(jìn)行預(yù)測(cè)，測(cè)試結(jié)果為（0.0001，0.0007，0.9995，0.0000，0.0005），表明2011年江蘇省房地產(chǎn)市場(chǎng)發(fā)展正常，與目標(biāo)輸出（0，0，1，0，0）相符，與江蘇省房地產(chǎn)市場(chǎng)發(fā)展實(shí)情是基本一致的。因此，本文所建立的基于BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)市場(chǎng)預(yù)警模型具有很好的泛化性能，可以作為江蘇省房地產(chǎn)市場(chǎng)預(yù)警體系的預(yù)警模型。用作2011年預(yù)警的6個(gè)警兆指標(biāo)中，全社會(huì)固定資產(chǎn)投資、施工面積、房地產(chǎn)開(kāi)發(fā)投資/社會(huì)固定資產(chǎn)投資、房地產(chǎn)開(kāi)發(fā)投資、居民消費(fèi)價(jià)格指數(shù)5個(gè)指標(biāo)均在正常區(qū)間運(yùn)行，只有土地開(kāi)發(fā)面積一個(gè)指標(biāo)是在偏熱區(qū)間運(yùn)行。對(duì)這些指標(biāo)進(jìn)行具體分析：領(lǐng)先于警情2年的全社會(huì)固定資產(chǎn)投資在2009年發(fā)展正常，2011年有上升的趨勢(shì)但仍在正常區(qū)間運(yùn)行；領(lǐng)先警情2年的的施工面積2009年發(fā)展正常，2011年依舊發(fā)展正常；領(lǐng)先于警情1年的房地產(chǎn)開(kāi)發(fā)投資/社會(huì)固定資產(chǎn)投資2011年出現(xiàn)下滑，已逼近正常區(qū)間的邊界點(diǎn)，該指標(biāo)以后的發(fā)展趨勢(shì)需著重關(guān)注，以防止該指標(biāo)的偏冷對(duì)江蘇省房地產(chǎn)市場(chǎng)產(chǎn)生質(zhì)的影響；領(lǐng)先于警情1年的房地產(chǎn)開(kāi)發(fā)投資2011年出現(xiàn)下滑，鑒于其相對(duì)于2009年波動(dòng)較為明顯，因此對(duì)該指標(biāo)也應(yīng)加大關(guān)注力度；領(lǐng)先于警情1年居民消費(fèi)價(jià)格指數(shù)從2009年的偏熱發(fā)展區(qū)間下降至正常發(fā)展區(qū)間，該指標(biāo)的歷史波動(dòng)性較為劇烈，對(duì)于其下一步發(fā)展方向較難把握；領(lǐng)先于警情3年的土地開(kāi)發(fā)面積在2009年位于偏熱區(qū)間，2011年出現(xiàn)大幅下滑降至正常區(qū)間逼近偏冷區(qū)間，這對(duì)于2012的江蘇省房地產(chǎn)市場(chǎng)可能成為一個(gè)信號(hào)，2012年江蘇省房地產(chǎn)市場(chǎng)的發(fā)展可能出現(xiàn)下滑，但這種趨勢(shì)不一定會(huì)致使2012年江蘇省房地產(chǎn)市場(chǎng)出現(xiàn)偏冷情形。總的來(lái)說(shuō)，在6個(gè)指標(biāo)中應(yīng)當(dāng)密切關(guān)注房地產(chǎn)開(kāi)發(fā)投資/社會(huì)固定資產(chǎn)投資、房地產(chǎn)開(kāi)發(fā)投資和土地開(kāi)發(fā)面積3個(gè)指標(biāo)的發(fā)展。由于警兆指標(biāo)的最短先行年份僅為一年，所以只能通過(guò)現(xiàn)有警兆指標(biāo)預(yù)測(cè)下一年份的警情，雖然預(yù)測(cè)年份較短，但也可為相關(guān)決策者提供決策的理論支持。同時(shí)由于國(guó)家時(shí)刻對(duì)房地產(chǎn)市場(chǎng)各項(xiàng)政策進(jìn)行調(diào)控，與房地產(chǎn)市場(chǎng)直接和間接相關(guān)的各部門(mén)各企業(yè)存在發(fā)展的不確定性，因此較長(zhǎng)時(shí)段預(yù)警預(yù)報(bào)可行性以及可信性反而不高，短期預(yù)警監(jiān)測(cè)反而更加具有實(shí)際操作意義。

四、結(jié)論

通過(guò)對(duì)廣義虛擬經(jīng)濟(jì)下房地產(chǎn)市場(chǎng)預(yù)警的理論與實(shí)證分析，可以得出以下結(jié)論：廣義虛擬經(jīng)濟(jì)視角下房地產(chǎn)市場(chǎng)預(yù)警前提是確定影響房地產(chǎn)市場(chǎng)發(fā)展的各個(gè)重要環(huán)節(jié)為研究監(jiān)測(cè)對(duì)象，通過(guò)對(duì)監(jiān)測(cè)警值的分析，確立房地產(chǎn)市場(chǎng)運(yùn)行過(guò)程中已經(jīng)存在的風(fēng)險(xiǎn)和即將可能發(fā)生的警情變化趨勢(shì)。房地產(chǎn)市場(chǎng)預(yù)警模型是反映影響房地產(chǎn)運(yùn)行狀態(tài)的一系列有內(nèi)在聯(lián)系的指標(biāo)組成的集合，也是一個(gè)從多個(gè)層面和視角反映房地產(chǎn)發(fā)展?fàn)顟B(tài)的綜合系統(tǒng)。廣義而言，可以對(duì)房地產(chǎn)市場(chǎng)的發(fā)展起到影響的因素包括自然因素、經(jīng)濟(jì)因素、社會(huì)因素、政策因素等。房地產(chǎn)市場(chǎng)預(yù)警需要與計(jì)算機(jī)技術(shù)實(shí)現(xiàn)更密切的結(jié)合，開(kāi)發(fā)城市房地產(chǎn)市場(chǎng)預(yù)警系統(tǒng)。計(jì)算機(jī)技術(shù)能夠通過(guò)自動(dòng)處理、分析、判斷輸入和存儲(chǔ)在計(jì)算機(jī)中的城市與房地產(chǎn)市場(chǎng)密切相關(guān)的各種信息，能夠?qū)Ψ康禺a(chǎn)市場(chǎng)發(fā)展中可能出現(xiàn)的各種異常態(tài)勢(shì)發(fā)出預(yù)先警告。預(yù)警理論與方法同計(jì)算機(jī)技術(shù)相結(jié)合是未來(lái)房地產(chǎn)市場(chǎng)發(fā)展的趨勢(shì)。房地產(chǎn)市場(chǎng)預(yù)警體系的建立應(yīng)該引入更多的定性指標(biāo)，以提高預(yù)警系統(tǒng)的嚴(yán)密性和準(zhǔn)確性。

參考文獻(xiàn)：

[1]Ronal D F. Trends and Cycles in Housing Production[J]. Business Economics, 1997(7): 12-16.

[2]Karl R C. Real Estate and the Macro-economy[J]. Rooming Articles on Economic Activity, 2000(5):119-132.

[3]趙黎明, 錢(qián)偉榮等. 住宅市場(chǎng)需求的組合預(yù)測(cè)[J]. 系統(tǒng)工程學(xué)報(bào), 2001(3): 224-227.

[4]葉艷兵, 丁列云. 房地產(chǎn)預(yù)警指標(biāo)體系設(shè)計(jì)研究[J]. 基建優(yōu)化, 2001(3): 1-3.

[5]林左鳴. 虛擬價(jià)值引論——廣義虛擬經(jīng)濟(jì)視角研究[J]. 北京航空航天大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版), 2005, 18(3):21-25.

[6]陳祥光, 裴旭東. 人工神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用[M]. 北京: 中國(guó)電力出版社,2003: 35-37.

[7]沈世鎰. 神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論及其應(yīng)用[M]. 北京: 科學(xué)出版社, 1998: 84-93.

[8]邵軍力, 張景, 魏長(zhǎng)華. 人工智能基礎(chǔ)[M]. 北京: 電子工業(yè)出版社, 2000: 165-187.

[9]林左鳴, 尹國(guó)平. 價(jià)值理論的困境、出路及創(chuàng)新研究——廣義虛擬經(jīng)濟(jì)理論關(guān)于價(jià)值的主要觀點(diǎn)[J]. 廣義虛擬經(jīng)濟(jì)研究, 2011,2(1):5-14.

[10] 樓順天, 施陽(yáng). 基于MATLAB的系統(tǒng)分析與設(shè)計(jì)——神經(jīng)網(wǎng)絡(luò)[M]. 西安: 西安電子科技大學(xué)出版社, 1998:

214-221.