BP 神經(jīng)網(wǎng)絡(luò)對(duì)商業(yè)地產(chǎn)立項(xiàng)階段投資風(fēng)險(xiǎn)評(píng)估

尹 鵬 楊仁樹(shù) 丁日佳 王文博

(中國(guó)礦業(yè)大學(xué)(北京)力學(xué)與建筑工程學(xué)院，北京 100083)

0 引言

商業(yè)地產(chǎn)對(duì)改善人們的生活水平，繁榮地方經(jīng)濟(jì)，推動(dòng)國(guó)民經(jīng)濟(jì)和社會(huì)的發(fā)展起到了重要的促進(jìn)作用。但是，作為一項(xiàng)綜合性、專業(yè)性和技術(shù)性極強(qiáng)的投資活動(dòng)，眾多風(fēng)險(xiǎn)使商業(yè)地產(chǎn)的投資有著很大的不確定性。因此，在項(xiàng)目立項(xiàng)階段對(duì)風(fēng)險(xiǎn)因素進(jìn)行分析，合理估算項(xiàng)目風(fēng)險(xiǎn)水平就是非常有必要的。而目前常用的風(fēng)險(xiǎn)估算方法主要有模糊數(shù)學(xué)法和層次分析法等，這些方法主觀隨意性較大。所以，為解決這一問(wèn)題，本文將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于商業(yè)地產(chǎn)項(xiàng)目立項(xiàng)階段的投資風(fēng)險(xiǎn)評(píng)估，以保證項(xiàng)目建設(shè)的順利進(jìn)行。

1 BP神經(jīng)網(wǎng)絡(luò)的基本原理

1.1 BP 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介[1]

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，簡(jiǎn)稱為ANN)，是近年來(lái)發(fā)展起來(lái)的模擬人腦生物過(guò)程的人工智能技術(shù)，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛也是最成功的網(wǎng)絡(luò)之一。

BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播(Back propagation)算法的多層前饋網(wǎng)絡(luò)(Multiple layer feed forward network)，其拓?fù)浣Y(jié)構(gòu)一般由輸入層、輸出層以及一個(gè)或多個(gè)隱層節(jié)點(diǎn)互連而成的一種多層網(wǎng)絡(luò)。

BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的特點(diǎn)是:各層神經(jīng)元僅與相鄰層神經(jīng)元之間連接;各層神經(jīng)元之間無(wú)任何連接或反饋連接。輸入信號(hào)傳播到隱含層，經(jīng)過(guò)函數(shù)變換，把隱含層輸出信息傳播到輸出層，最后得出輸出結(jié)果。

1.2 BP 神經(jīng)網(wǎng)絡(luò)基本原理[2]

BP神經(jīng)網(wǎng)絡(luò)計(jì)算過(guò)程由信息正向傳播和誤差反向傳播組成。輸入層各神經(jīng)元負(fù)責(zé)接收外界的輸入信息，并傳遞給中間層的神經(jīng)元;中間層負(fù)責(zé)信息變換，可為單隱層或者多隱層結(jié)構(gòu);最后隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播，由輸出層向外界輸出處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播。誤差通過(guò)輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層和輸入層逐層反傳。周而復(fù)始的信息正向和反向傳播一直到網(wǎng)絡(luò)輸出誤差減少到滿足要求，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

2 BP神經(jīng)網(wǎng)絡(luò)煤礦安全評(píng)價(jià)模型

2.1 構(gòu)建指標(biāo)體系

由于商業(yè)地產(chǎn)項(xiàng)目立項(xiàng)階段投資風(fēng)險(xiǎn)涉及內(nèi)容較多，如何構(gòu)建全面和可操作性較強(qiáng)的指標(biāo)體系對(duì)于有效評(píng)價(jià)其投資風(fēng)險(xiǎn)是非常重要的。所以，本文運(yùn)用Delphi法向多位從事房地產(chǎn)項(xiàng)目風(fēng)險(xiǎn)研究的專家進(jìn)行咨詢，并參考有關(guān)研究資料，確定了商業(yè)地產(chǎn)項(xiàng)目立項(xiàng)階段投資風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系用于構(gòu)建神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)價(jià)模型，具體如表1所示[3]。

表1 商業(yè)地產(chǎn)項(xiàng)目立項(xiàng)階段投資風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系

2.2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

建立一個(gè)神經(jīng)網(wǎng)絡(luò)模型并完成訓(xùn)練和學(xué)習(xí)，需要合理的確定網(wǎng)絡(luò)層數(shù)與各層的神經(jīng)元數(shù)。本文根據(jù)前人的研究成果，設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下[2]:

1)初始值的設(shè)計(jì)。該網(wǎng)絡(luò)的初始值取MATLAB軟件神經(jīng)網(wǎng)絡(luò)工具箱的默認(rèn)值。

2)輸入層神經(jīng)元的個(gè)數(shù)。根據(jù)前文建立的指標(biāo)體系，確認(rèn)BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為12個(gè)，即開(kāi)發(fā)區(qū)位、經(jīng)營(yíng)業(yè)態(tài)、投資方式、區(qū)域發(fā)展情況、消費(fèi)者購(gòu)買(mǎi)力水平、商業(yè)競(jìng)爭(zhēng)態(tài)勢(shì)、投資估算、可行性研究、融資風(fēng)險(xiǎn)、置地風(fēng)險(xiǎn)、工程招標(biāo)與發(fā)包和拆遷協(xié)商活動(dòng)。

3)輸出層的設(shè)計(jì)。輸出層輸出量或者是數(shù)值變量，或者是語(yǔ)言變量。對(duì)于數(shù)值型輸出量，可用數(shù)值直接表示，范圍在0～1或－1～1之間的數(shù)。本文主要采用“n中取1”法，將商業(yè)地產(chǎn)項(xiàng)目立項(xiàng)階段投資風(fēng)險(xiǎn)水平劃分為五類，即(高，較高，一般，較低，低)，相對(duì)應(yīng)的編碼為(10000，01000，00100，00010，00001)。其中，已建成項(xiàng)目的風(fēng)險(xiǎn)水平及編碼如表2所示。

表2 建成項(xiàng)目風(fēng)險(xiǎn)水平及編碼

4)隱層數(shù)和隱層神經(jīng)元數(shù)。經(jīng)過(guò)研究證明，單隱含層的神經(jīng)網(wǎng)絡(luò)，如果隱層節(jié)點(diǎn)數(shù)足夠多，那么它就能以任意精度去逼近一個(gè)非線性函數(shù)。所以，本文確定隱含層數(shù)為1。

關(guān)于隱層節(jié)點(diǎn)數(shù)的確定，是一個(gè)較復(fù)雜的問(wèn)題。一般參考以下公式進(jìn)行試驗(yàn):

其中，m為輸出神經(jīng)元數(shù);n為輸入神經(jīng)元數(shù);a為0～10間的常數(shù)。因此，經(jīng)過(guò)試驗(yàn)，a取10，則隱含層的神經(jīng)元數(shù)為14個(gè)。

2.3 BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和檢測(cè)

選取6個(gè)已完成風(fēng)險(xiǎn)評(píng)價(jià)的商業(yè)地產(chǎn)項(xiàng)目立項(xiàng)階段的投資風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本和檢測(cè)樣本(4個(gè)作為訓(xùn)練樣本，2個(gè)作為檢測(cè)樣本)輸入網(wǎng)絡(luò)模型，進(jìn)行學(xué)習(xí)和訓(xùn)練，樣本輸入數(shù)據(jù)如表3所示。

表3 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和檢測(cè)樣本輸入

本文使用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和檢驗(yàn)，直到誤差滿足預(yù)先設(shè)定的要求時(shí)，停止學(xué)習(xí)，此時(shí)權(quán)值矩陣和閥值向量固定下來(lái)，成為模型的內(nèi)部知識(shí)。本文設(shè)定的學(xué)習(xí)步長(zhǎng)為500步，學(xué)習(xí)速率為0.1，誤差限制在0.001。

程序執(zhí)行后，該神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了學(xué)習(xí)，在第132步模型達(dá)到收斂，總體誤差為0.000 835 26，滿足要求，如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)收斂結(jié)構(gòu)圖

計(jì)算結(jié)果為:

而用于檢驗(yàn)的第5、第6個(gè)商業(yè)地產(chǎn)項(xiàng)目立項(xiàng)階段的投資風(fēng)險(xiǎn)水平為:

計(jì)算結(jié)果與其基本吻合。所以，用于商業(yè)地產(chǎn)項(xiàng)目立項(xiàng)階段投資風(fēng)險(xiǎn)評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型已經(jīng)訓(xùn)練成功，可用此模型對(duì)商業(yè)地產(chǎn)項(xiàng)目立項(xiàng)階段的風(fēng)險(xiǎn)狀況進(jìn)行評(píng)價(jià)，以減少和預(yù)防風(fēng)險(xiǎn)的發(fā)生。

2.4 模型的應(yīng)用

某房地產(chǎn)企業(yè)要開(kāi)發(fā)一項(xiàng)商業(yè)地產(chǎn)，為了掌握該工程投資風(fēng)險(xiǎn)情況，以便為決策提供依據(jù)，該企業(yè)邀請(qǐng)有關(guān)專家，對(duì)商業(yè)地產(chǎn)項(xiàng)目立項(xiàng)階段投資風(fēng)險(xiǎn)評(píng)估指標(biāo)進(jìn)行打分，經(jīng)過(guò)整理，結(jié)果見(jiàn)表4。

表4 項(xiàng)目指標(biāo)數(shù)據(jù)表

將風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)代入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型，以對(duì)該項(xiàng)目立項(xiàng)階段的投資風(fēng)險(xiǎn)水平進(jìn)行分析，結(jié)果如下:

S=[0.011 7，0.996 7，0.028 5，0.007 0，0.002 7]。經(jīng)過(guò)分析，其編碼為(0，1，0，0，0)，表明該項(xiàng)目立項(xiàng)階段的投資風(fēng)險(xiǎn)水平較高。所以，該項(xiàng)目開(kāi)發(fā)過(guò)程中，應(yīng)該時(shí)刻加強(qiáng)風(fēng)險(xiǎn)意識(shí)，采取有效措施以降低項(xiàng)目的投資風(fēng)險(xiǎn)水平。

3 結(jié)語(yǔ)

在商業(yè)地產(chǎn)的開(kāi)發(fā)過(guò)程中存在很多風(fēng)險(xiǎn)因素，要保證項(xiàng)目開(kāi)發(fā)的順利進(jìn)行，就要對(duì)這些風(fēng)險(xiǎn)進(jìn)行評(píng)估。本文使用BP神經(jīng)網(wǎng)絡(luò)建立了商業(yè)地產(chǎn)項(xiàng)目立項(xiàng)階段投資風(fēng)險(xiǎn)評(píng)價(jià)模型，用已知數(shù)據(jù)對(duì)模型進(jìn)行了訓(xùn)練、仿真、檢驗(yàn)以及應(yīng)用。該模型不但可以避免了主觀因素造成的評(píng)估失真，使結(jié)果更加有效和直觀，而且可以利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱使計(jì)算過(guò)程更加簡(jiǎn)單。所以，該模型能夠使房地產(chǎn)企業(yè)對(duì)項(xiàng)目立項(xiàng)階段的投資風(fēng)險(xiǎn)進(jìn)行有效地評(píng)估，從而規(guī)避風(fēng)險(xiǎn)的發(fā)生。

[1] 徐 君.礦井安全生產(chǎn)的神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)，2005(24):28－30.

[2] 葛哲學(xué)，孫志強(qiáng).神經(jīng)網(wǎng)絡(luò)理論與MatlabR2007實(shí)現(xiàn)[M].北京:電子工業(yè)出版社，2007:288.

[3] SUN Gang，ZHANG Ruixin，LUO Fen.Evaluation Method of Coal Mine Production Safety Based on BP Neural Network[J].2009 International Conferences on Information Technology and Computer Science，2010(20):514－517.