陳謠

【摘要】2016年底本市的房地產(chǎn)市場出現(xiàn)異象，房價上漲速度加快，引起了大家的關(guān)注。房價的上漲不僅與消費水平，還與GDP、供地價格等有關(guān)。本文利用2006——2016的重慶GDP數(shù)據(jù)等相關(guān)數(shù)據(jù)，建立神經(jīng)網(wǎng)絡(luò)模型。通過與實際數(shù)據(jù)進行比較驗證模型有效性，并預(yù)測2017年房價。

【關(guān)鍵詞】重慶市房價 預(yù)測 神經(jīng)網(wǎng)絡(luò)

1引言

自2010年以來，房地產(chǎn)市場突然爆發(fā)，出現(xiàn)了房產(chǎn)“小高峰”。由此帶來房價上漲的速度加快，在此期間城鎮(zhèn)化的發(fā)展加快，購房者人數(shù)增多，也誘發(fā)了房價上漲。不僅如此也吸引了一大批炒房者加入，包括本市和外地炒房者，導(dǎo)致供大于求，一時間出現(xiàn)了“泡沫經(jīng)濟”、大量的“存量房”，但至少抑制了房價上漲。

從2016年11月份開始，我市的樓市出現(xiàn)猛增的異象。一部分是由于長期的房價平穩(wěn)、政府的調(diào)控，但隨著人們生活質(zhì)量的提高，需要拉動消費增長帶動經(jīng)濟的增長，從而解決存量房的問題。同時，出現(xiàn)一大批外地投資者炒房，加速了房價上漲的速度，反而本市購房者造成了一定的經(jīng)濟壓力。

2影響房價的主要因素

地區(qū)生產(chǎn)總值是指在一定時期內(nèi)，一個地區(qū)的經(jīng)濟中所產(chǎn)生的全部最終產(chǎn)品和勞務(wù)的市場價值，常常被認(rèn)為是衡量地區(qū)經(jīng)濟狀況和發(fā)展水平的重要指標(biāo)。一般來說，本地生產(chǎn)總值是消費、投資、政府支出和凈出口額的總和。其中消費反映了當(dāng)?shù)丶彝サ氖杖胨?，投資包含了產(chǎn)地產(chǎn)業(yè)的資金，政府支出包含了政府對房價的政策及影響。因此，GDP包含了許多影響房價因素。

供地價格和房價的關(guān)系一直是受很多人關(guān)注，地價作為房地產(chǎn)開發(fā)的一個重要組成部分，也是影響房價開發(fā)的一個重要組成部分，也是影響房價的一個重要因素，這也是由于地價作為商品房的組成成分所決定。在一些地區(qū)土地價格甚至占據(jù)房價的一半，可見地價對房價的影響力是相當(dāng)大。

當(dāng)然影響房價的因素還有很多，比如政府力量、地方的政策調(diào)控、房屋的硬件環(huán)境、房屋的需求量、人們的消費水平，房地產(chǎn)開發(fā)投資量等等。但是在建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型時，有一些因素不能量化，因此只能當(dāng)作參考。

3神經(jīng)網(wǎng)絡(luò)

機器學(xué)習(xí)的一般模型。可用三個部分來進行描述，其分別是：

產(chǎn)生器（Generate Machine）：產(chǎn)生獨立同分布的實例數(shù)據(jù)x，即產(chǎn)生隨機向量x，他們服從固定但未知的概率分布函數(shù)F（x）。

訓(xùn)練器（Sample Machine）：也稱為目標(biāo)算子（也叫訓(xùn)練器算子，訓(xùn)練器），對每個輸入向量x得到一個輸出值y，服從固定但未知的條件分布函數(shù)F（y|x）。

學(xué)習(xí)機器（Learning Machine）：給定函數(shù)集Ω={f（x，α）|α∈A}，其中A為參數(shù)集，學(xué)習(xí)機器LM在學(xué)習(xí)標(biāo)準(zhǔn)下通過學(xué)習(xí)確定函數(shù)集Ω中的一個函數(shù)f（x，α₀），α₀∈Λ。學(xué)習(xí)機器LM觀察數(shù)據(jù)對（x，y），訓(xùn)練后，學(xué)習(xí)機器必須對任意輸入x給出輸出y。

本文主要運用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測作用，用于房價的預(yù)測。影響房價的因素有很多，包括重慶市人均地區(qū)生產(chǎn)總值、供地價格、城鎮(zhèn)居民人均可支配收入、城鎮(zhèn)居民人均消費水平、房地產(chǎn)開發(fā)投資等等因素。這里我們利用過去十年的房價作為我們的樣本集和測試集，并預(yù)測2017年的房均價。BP網(wǎng)絡(luò)學(xué)習(xí)算法的具體步驟如下：從訓(xùn)練集中取一些樣本，把它的輸入信息輸入到網(wǎng)絡(luò)中；由網(wǎng)絡(luò)正向計算出各層節(jié)點的輸出；計算網(wǎng)絡(luò)的實際輸出與期望輸出的誤差；從輸入層起始反向計算到隱層，按一定原則向減小誤差方向調(diào)整網(wǎng)絡(luò)的各個聯(lián)接權(quán)值；對訓(xùn)練樣本集中的每一個樣本重復(fù)以上步驟，直到對整個訓(xùn)練樣集的誤差達到要求為止。

4房價預(yù)測模型

分為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測兩部分，具體操作如下：

（1）選取訓(xùn)練集數(shù)據(jù)來構(gòu)造訓(xùn)練樣本。本文選擇對房價影響最大的因素GDP為訓(xùn)練樣本。

（2）對房價訓(xùn)練樣本數(shù)據(jù)進行預(yù)處理，為避免原始數(shù)據(jù)過大造成神經(jīng)網(wǎng)絡(luò)癱瘓，我們對訓(xùn)練樣本進行預(yù)處理，將數(shù)據(jù)歸于{0，1}內(nèi)，這樣可以盡可能平滑處理數(shù)據(jù)，從而減少預(yù)測結(jié)果噪聲。

（3）建立并訓(xùn)練預(yù)測模型，建立一個含2個輸入層，3個隱層，1個輸出層的神經(jīng)網(wǎng)絡(luò)，將2008——2016年的GDP數(shù)據(jù)作為輸入樣本導(dǎo)入網(wǎng)絡(luò)，將2008——2016年的房均價作為輸出樣本導(dǎo)入，訓(xùn)練方式通過調(diào)整隱層的權(quán)值建立每一年的GDP與房價的關(guān)系，同時利用2008、2009年的房價預(yù)測后一年的房均價，對比2009年的實際房價，神經(jīng)網(wǎng)絡(luò)的各參數(shù)朝著可以減小誤差的方向修改，依次類推達到訓(xùn)練的目的。

神經(jīng)網(wǎng)絡(luò)經(jīng)過355次訓(xùn)練之后，誤差低于0.0001，達到預(yù)期的效果網(wǎng)絡(luò)停止訓(xùn)練。對比實際的房價，控制在1%之內(nèi)就可以做預(yù)測。利用編程得到2017年房價為8450元/m²。

5結(jié)論

5.1影響因素

影響房價的因素很多。這里我們從中選取兩個較重要的因素作為BP神經(jīng)網(wǎng)絡(luò)的輸入層，歷史房價數(shù)據(jù)作為輸出層，在MAT-LAB中建立程序，模擬的輸入與輸出的關(guān)系，并訓(xùn)練和仿真。從結(jié)果可以看出，利用BP神經(jīng)網(wǎng)絡(luò)，是可以預(yù)測房價的。

5.2預(yù)測準(zhǔn)確性

根據(jù)運行程序的結(jié)果可以看出2017年重慶市房價為8450元/m²，與上半年均價相比，相差較比小且小。這可能與重慶市出現(xiàn)異常房價的上漲而實施的政策有關(guān)，進行了房價的政府調(diào)控，但相比較以前的房價明顯上漲，經(jīng)過調(diào)整之后上漲的速度有所放緩。