基于RBFNN實驗的物業(yè)稅開征后對房產價格影響預測

摘 要：本文建立徑向基神經網絡 (Radical Basis Function Neural Network-RBFNN）逼近微觀經濟學理論的DUST價格函數(shù)，分析了物業(yè)稅開征對于上海住房價格的影響效應。實證結果顯示，流通環(huán)節(jié)的稅收改革對房價產生的是持久的正向沖擊，保有環(huán)節(jié)的稅收改革對房價產生的是短期的負向沖擊。在基于實驗結論的基礎上，給出了相應的經濟學分析，并提出了相應的政策建議。

關鍵詞：物業(yè)稅；開征；影響；房產價格；RBFNN

中圖分類號：F293.3 文獻標識碼：A 文章編號：1003-5192(2011)03-0011-05

Prediction of Shanghai Housing Price after Property Tax Levying: Based on RBFNNHE Fang， XIAO Sen-yu， FENG Shuo

(School of Economy Management， Tongji University， Shanghai 200092， China)

Abstract:A Radial Basis Function Neural Network(RBFNN)is established in this paper to approximate DUST price model of microeconomics. The effects of levy property tax on housing prices were analyzed. The results showed that the tax in circulated links made a long-term positive impact on the housing prices， while the tax in retained links made a short-term negative impact. Then the author gave an economic analysis and some policy suggestions for the experiment results.

Key words:property tax; levying; effect; housing price; RBFNN

1 引言

作為一項對房地產持有階段征收的稅，物業(yè)稅關系到國家和幾乎每位城市居民的切身利益。物業(yè)稅開征對房地產行業(yè)帶來的影響會是全方位的，它不僅直接改變了房地產稅費制度，而且可能會改變房地產價格。根據(jù)米斯克斯基將房地產稅視作資本稅的觀點：在資本可以在轄區(qū)內流動，且資本供給對于收益率沒有彈性的條件下，全國性的地方財產稅制度會使資本家的收益降到稅收平均水平，即財產稅稅負會轉嫁到資本所有者身上?；谶@種觀點：如果對房地產擁有人征收物業(yè)稅，并將其視作一種成本的話，那么這種成本可能引發(fā)稅負轉嫁效應，由此對房地產價格產生影響。對于征收物業(yè)稅能否降低房價，目前國內外學者認識不一，學術界對此持三種觀點。其中，一種觀點認為物業(yè)稅對房價影響很大，而另一種觀點則認為影響不大，此外，第三種學術觀點則認為根據(jù)不同的稅率政策等情況將有不同程度的影響。但是，大多數(shù)學者肯定房地產稅收改革對調控高房價的積極作用，支持物業(yè)稅改革后會降低房價的觀點

［1~3］。其依據(jù)是資產評估理論的原理：一項資產的價格理論上等于該資產在以后年度內給資產所有者帶來收益的折現(xiàn)值，因此，征收物業(yè)稅后，未來預期收益降低導致購買住宅價格下降。

目前，在研究方法的運用上，有些學者進行了積極的探討。例如，尹中立通過模型定量研究了日本和韓國的稅收政策，認為稅收政策對抑制房地產投機的作用遠大于金融政策，對流通環(huán)節(jié)課以重稅可以有效抑制房地產投機行為［4］；常莉通過建立影響效應模型分析了房地產稅收改革對房地產市場和各參與主體的影響［5］；曹映雪等則通過建立理性泡沫模型：

Q(t)=rr+τPe-r(r+τ)(T-t)來分析物業(yè)稅的開征是否能有效地抑制房地產投機［6］。研究結論表明，開征物業(yè)稅在一定程度上對投機行為有抑制作用，但這種作用的影響是短期性的。在長期來看，開征物業(yè)稅對投機行為的影響是相對微弱的；金成曉通過建立結構向量自回歸模型（SVAR）和向量誤差修正模型（VEC）研究了征收物業(yè)稅對住房價格的影響［7］。雖然作者用SVAR建立了稅收、供給、需求和價格的四元p階方程（p=2）來描述房產價格，再用脈沖響應函數(shù)描述系統(tǒng)內變量沖擊對其他變量的動態(tài)軌跡效應，但他的模型是建立在平穩(wěn)序列和協(xié)整理論假設上的，而實際中一般經濟變量都是非平穩(wěn)序列，在平穩(wěn)序列的假設下很難構建穩(wěn)定的系統(tǒng)。

作為一種重要的非參數(shù)化逼近方法，人工神經網絡（Artificial Neural Network—ANN，又稱神經網絡）已經在各個科學和工程領域得到了廣泛的應用［8，9］。我國學者朱聰指出，ANN技術有其獨特的優(yōu)勢，其在房地產輔助評估的作用不可忽略［10］，在運用于對物業(yè)稅稅基批量評估中的計算機輔助批量評估（Computer-Assisted Mass Appraisal，CAMA）上，具有優(yōu)良的輔助評估效果。徑向基人工神經網絡所具有的分布式存儲和并行計算能力、容錯性、魯棒性（即系統(tǒng)在異常情況下維持穩(wěn)定運行的健壯性），以及以任意精度逼近未知非線性系統(tǒng)的特點，為解決各種逼近問題提供了一種有效的方法［11，12］。徑向基人工神經網絡（Radial Basis Function Neural Network，RBFNN）是一種主要的神經網絡類型，它通過非線性激勵函數(shù)模擬生物神經元的激活機能，以一組激勵函數(shù)的疊加和自適應的學習方式來實現(xiàn)從已知樣本中學習一個未知映射。因而它特別適合于求解內部機制復雜的問題［13，14］。因此，本文采用神經網絡對DUST價格模型進行逼近，進而預測物業(yè)稅征收后的房價變動。

2 RBFNN網絡模型建模過程及可行性分析

2.1 RBFNN網絡房產價格預測模型的建模過程

微觀經濟學理論認為，商品的市場價格是由商品的需求（Demand）、商品所能提供的效用（Utility）及商品的稀缺性（Scarcity）所決定的。由于住房的固定性及附屬的權利繁多，其價值決定因素又多了一個可轉讓性（Transferability）。住房價格的DUST函數(shù)如下

2.2 RBFNN網絡房產價格預測模型的可行性分析

首先，如前文所述，RBFNN網絡是一種非參數(shù)化逼近方法，可以通過對以往數(shù)據(jù)的學習分析(如2008年前的數(shù)據(jù))，并根據(jù)研究要求，自行設定以任意精確度（例如允許最高的誤差設定最高為10-5）逼近未知的函數(shù)［15］。因此，盡管影響房產價格的因素是多方面的，但是通過RBFNN網絡學習，能夠精確地建立供給因素（S0），需求因素（D0），流通環(huán)節(jié)稅收（TL），保有環(huán)節(jié)稅收（TB）和房產價格（P）之間的復雜的非線性系統(tǒng)模型，并且可以運用未學習的數(shù)據(jù)（如2008年，2009年的數(shù)據(jù)）進行仿真檢驗，從而確保模型的精確度和可信度。

其次，在物業(yè)稅開征模擬方面，盡管我國目前尚未開征物業(yè)稅，因此也就找不到物業(yè)稅的直接數(shù)據(jù)。但本研究已經在理論和技術處理方面考慮到了這個問題，并進行了相應的技術處理。物業(yè)稅是對所使用或所擁有的土地、房屋等不動產按期繳付一定稅額的稅種，是針對國民的財產所征收的一種稅收［16］。因此，從稅收原理上來說，物業(yè)稅在本質上和現(xiàn)行的相關稅收有其內在的聯(lián)系和作用［17］。本研究通過建成的精確的RBFNN網絡模型，通過一定的技術手段來表達物業(yè)稅的開征和現(xiàn)有相關稅收的內在聯(lián)系，從而達到模擬物業(yè)稅的開征后對房產價格影響的效應，據(jù)此進行預測和分析，從而實現(xiàn)本研究的實驗目的。

3 實證實驗分析

選取上海1999年1季度~2008年4季度的季度數(shù)據(jù)（數(shù)據(jù)來自《上海統(tǒng)計年鑒》、《上海經濟景氣月報》、國家稅務總局網站以及相關房地產信息網上海市房地產市場季度分析報告整理），利用神經網絡模型對稅收、供給、需求和價格這4個變量之間的關系進行實證研究。

中國現(xiàn)階段還未開征物業(yè)稅，筆者采用現(xiàn)有房地產稅種中的流通環(huán)節(jié)稅收（TL）和保有環(huán)節(jié)稅收（TB）的正向變化來表征物業(yè)稅征收。流通環(huán)節(jié)的稅收用房產交易稅額和土地增值稅額的總和表示，按照各季度的稅收增長比例將年度數(shù)據(jù)分成季度數(shù)據(jù)；目前我國保有環(huán)節(jié)的稅收包括房地產稅、城市房地產稅以及土地使用稅。但是由于土地使用稅是具有資源性質的稅收，因此，在本文中不將土地使用稅列入保有環(huán)節(jié)的稅收中進行分析。保有環(huán)節(jié)采用房地產稅，城市房地產稅金總額表示，按照各季度的稅收增長比例將年度數(shù)據(jù)分成季度數(shù)據(jù)；供給變量用住宅竣工面積表示；需求變量用住宅銷售面積（不包括二手房，包括現(xiàn)房和期房）表示；價格變量用以1999年為基期的住宅銷售價格指數(shù)（定基比）表示，并且除價格變量外各變量均用以1999年為基期的CPI定基比進行平減得到實際值，各變量均經過X-12方法消除季節(jié)因素和不規(guī)則因素后再取對數(shù)值。

將徑向基（RBF）神經網絡的輸入X取為：［LTL， LTB， LS0， LD0］，輸出取為LP，即得到一個價格與稅收、需求和供給與房產價格的非線性系統(tǒng)模型。在使用神經網絡之前必須要對網絡進行訓練。基函數(shù)的中心自組織訓練的數(shù)據(jù)將從訓練數(shù)據(jù)集中選取，將中心只放置于輸入空間中重要數(shù)據(jù)點存在的區(qū)域內。在訓練中自適應地調整隱層的節(jié)點數(shù)目。具體步驟是：計算使輸出誤差最大的輸入樣本，將新增隱層節(jié)點的中心取作此樣本，重新計算輸出，直至滿足誤差要求。對于輸出層的權矩陣，可以直接求逆或采用遞推算法，如最小均方誤差法(LMS)和遞推最小二乘法(RLS)。求逆的方法魯棒性較差，而且要求節(jié)點數(shù)不能過大；LMS法收斂速度較慢，而RLS的每次迭代都是基于誤差梯度為0這一特點，故收斂速度比它快。因此本文采用RLS法訓練RBF網絡的隱層到輸出層的權值。第K個輸出單元的輸出為

其中λ為加權遺忘算子，其作用是將過去樣本對當前估值的影響逐漸遺忘掉，使所估計的參數(shù)盡量反映當前時刻樣本的特性。其優(yōu)點是：當信號的統(tǒng)計特性發(fā)生變化時，其所受影響較小，即能夠處理非平穩(wěn)信號。記P(n)=R^-1(n)，根據(jù)矩陣求逆引理可得網絡連接權矢量的RLS訓練算法如下

從上圖中間斷線條可以看出，給流通環(huán)節(jié)稅收施加一個正向的結構沖擊會引起價格在前5 期下降，接著轉為上升，在第22期附近達到最大，以后每期保持在0.028%左右。這說明對住房價格影響存在滯后大約為5個季度，這段時間可以看作是稅收沖擊的力量調整期。從圖中連續(xù)線條可以看出，給保有環(huán)節(jié)稅收施加一個正向的沖擊，對價格的影響在前7期是負向的，沖擊在第4 期幅度達到最大，為-0.08%。在第14 期沖擊僅為0.0002，以后逐漸減小，長期來看接近于0。即通過增加保有環(huán)節(jié)的稅收在短期內可以抑制房價的上升，但在長期內保有環(huán)節(jié)稅收的沖擊對房價的影響很小。

4 結論分析及政策建議

4.1 結論分析

本文以上海市1999~2008年住宅房地數(shù)據(jù)為基礎，運用RBFNN網絡預測物業(yè)稅開征后對住房價格的影響。 實驗結果表明：物業(yè)稅的開征，在流通環(huán)節(jié)將對房價產生的是持久的正向沖擊，而在保有環(huán)節(jié)將對房價產生的沖擊是短期的負向沖擊。這樣一個實驗結論可以從經濟學的原理進行分析：首先，盡管物業(yè)稅是針對房產和土地所有而征收的稅收，影響最直接的是保有環(huán)節(jié)，但是由于房產交易不是瞬間就能完成的，是存在著一定的時間差。從購買房產到將房產轉手出賣出去，中間有一個持有過程，而物業(yè)稅的開征是對這個持有的過程征收一定的稅收。這樣，根據(jù)稅負轉嫁原理，在房產流通環(huán)節(jié)上，賣方將會將其持有過程所被征收的物業(yè)稅作為其房產交易成本的一部分，從而導致流通環(huán)節(jié)房產價格的提高。其次，在保有環(huán)節(jié)上，之所以會在保有環(huán)節(jié)產生短期的負向沖擊，而從長期來看對保有環(huán)節(jié)影響不大，是因為在短期內，物業(yè)稅的開征將增加房地產投機行為的成本負擔，在短期內對于抑制房地產投機行為具有一定的效果，從而引起房產價格理性的回落。但是這樣的政策在長期來看是不利于打擊房地產投機行為的，因為在長期來看，在流通環(huán)節(jié)中，房地產投機者將會將其所支付的物業(yè)稅稅收成本轉嫁給買家，從而使得房產價格回復。最后，之所以物業(yè)稅的開征對房地產價格長期影響很小，是因為物業(yè)稅其開征的理論依據(jù)和出發(fā)點是以完善房地產稅制，穩(wěn)定產業(yè)，優(yōu)化資源配置，增加財政稅收為根本目的，其不是以抑制房地產投機的手段為目的的，因此長期來看對房地產價格影響很小。

4.2 政策建議

根據(jù)上述的研究結論可知，在對待物業(yè)稅的問題上，應有如下的認識及相應的政策建議：

首先，應當清楚地認識到，物業(yè)稅的開征目的和出發(fā)點，不是以控制房價過高上漲和降低房價為目的的，而是以完善房地產稅制，優(yōu)化資源配置為目的的。因此長期來看不能將其作為降低房價的手段。

其次，盡管長期來看，物業(yè)稅的開征不利于房價理性的回落，但是短期來看，對于抑制房地產投機行為，降低房價卻有著明顯的效果。因此，可以考慮將物業(yè)稅作為一種短期的房價調整政策手段，當房價較高時，適當開征物業(yè)稅可以在短期內使房價理性回落；當房價有上升趨勢時，則可以通過降低稅率或取消物業(yè)稅來達到維持房產理性價格的目的。

最后，物業(yè)稅的目的和出發(fā)點決定了其本質上不是抑制房地產投機，降低房價的根本措施。因此，若要以打擊房地產投機行為，降低房價為目的，首先要改進土地供給制度，增加土地供給，加大土地二次開發(fā)力度，對于土地招拍掛制度進行改革，限制或限定土地供給的對象，而不是一味地以土地出讓價格為標準；其次，從流通環(huán)節(jié)進行改革，加大住房的供給力度，打擊囤地捂地現(xiàn)象，對房地產投機行為量身定制精確的打擊政策；最后，盡管物業(yè)稅的開征不是降低房價的措施，但是其確實是一種有效的輔助措施，必要時可以提高房產持有年限，限定房產持有數(shù)量，運用各種金融措施，再輔以物業(yè)稅政策，促使房價理性回落，從而促進房地產市場可持續(xù)健康發(fā)展。

參 考 文 獻：

［1］Guilfoyle J P. The effect of property taxes on home values［J］. Journal of Real Estate Literature， 2000， 8(2): 111-127.

［2］Lang Kevin， Jian Tianlun. Property taxes and property values: evidence from proposition 2(1/2) ［J］. Journal of Urban Economics， 2004， 1(2): 439-457.

［3］黃云琪.淺析國家對物業(yè)稅的探索［J］.現(xiàn)代商業(yè)，2008，23(6):112-113.

［4］尹中立.用稅收手段遏制房地產投機——日韓稅收政策的經驗與借鑒［J］.新財經，2006，(11):89-93.

［5］常莉.房地產稅收改革對房地產業(yè)影響的效應分析［D］.西安.西北大學，2007.59-67.

［6］曹映雪，張再金，廖理.開征物業(yè)稅能否抑制房地產投機［J］.稅務研究，2008，(4):42-44.

［7］金成曉，馬麗娟.征收物業(yè)稅對住房價格影響的動態(tài)計量分析［J］.經濟科學，2008，(6):100-112.

［8］DeVore R A， Oskolkov K I， Petrushev P P. Approximation by feed-forward neural networks

［J］. Artificial Neural Network Number. Math， 1997， (4): 261-287.

［9］Goh A T C. Back-propagation neural networks for modeling complex systems［J］. Artificial Intelligence in Engineering， 1995， 9(3): 143-151.

［10］朱聰.物業(yè)稅稅基評估研究［D］.廈門:廈門大學，2007.

［11］Hirose Y. Back-propagation algorithm which varies the number of hidden units［J］. Neural Networks， 1991， 4(1): 61-66.

［12］Laibcyiger P. Improving option pricing with the product constrained hybrid neural network［J］. IEEE Transactions on Neural Network， 2004， 15(2): 465-475．

［13］Panayiotis A C. Option pricing and trading with artificial neural networks and advanced parametric models with implied parameters［J］. IEEE Transactions on Neural Network， 2004， 45(43): 2741-2746.

［14］Li S H， Liu Z M. A general CAC approach using novel ant algorithm training based neural network［J］. Proceedings of the International Joint Conference on Neural Networks， 1999， 3: 1885-1888.

［15］Morelli M J. Pricing financial derivatives with neural network［J］. Physica A: Statistical Mechanics and Its Applications， 2004， 338(4): 160-165．

［16］王素昭，李靜華.國外物業(yè)稅的經驗及啟示［J］.山西建筑，2008，34(1):238-239.

［17］鮑敏強.房地產課稅估價在物業(yè)稅課征中的應用［J］.上海房地，2008，(5):45-47.

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文