基于SVM的養(yǎng)老地產(chǎn)項目投資風(fēng)險評價研究

李沖沖

摘要： 針對我國養(yǎng)老地產(chǎn)項目投資過程中資金需求量大、回收周期長且普遍缺乏開發(fā)經(jīng)驗等問題，提出將支持向量機(jī)（SVM）應(yīng)用到養(yǎng)老地產(chǎn)項目投資風(fēng)險評價中。并結(jié)合我國養(yǎng)老地產(chǎn)發(fā)展現(xiàn)狀，建立基于SVM的養(yǎng)老地產(chǎn)項目投資風(fēng)險評價模型。結(jié)果表明，該模型預(yù)測精度較高、運(yùn)算速度較快，能夠輔助養(yǎng)老地產(chǎn)開發(fā)企業(yè)在投資決策時及早預(yù)知風(fēng)險，減少投資的盲目性，做出合適的決策。

Abstract： Aiming at the problems of the large amount of capital demand， long payback period and general lack of development experience in the process of China's endowment real estate investment， the application of support vector machine （SVM） in the evaluation of the investment risk of the pension real estate project is put forward. Combined with the current situation of China's pension real estate development， the evaluation model of investment risk of pension real estate projects based on SVM is established. The results show that the model has high prediction accuracy and fast calculation speed. It can help the pension real estate enterprises predict risks in making investment decision to reduce blindness in the investment and make suitable decisions.

關(guān)鍵詞： 養(yǎng)老地產(chǎn)；風(fēng)險評價；支持向量機(jī)

Key words： pension estate；risk evaluation；SVM

中圖分類號：F293.3 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2017）11-0040-03

0 引言

隨著人口老齡化程度的不斷加劇，社會化養(yǎng)老日趨主流，而目前我國傳統(tǒng)的養(yǎng)老機(jī)構(gòu)供給不足、類型單一、設(shè)施簡陋且服務(wù)水平低下，難以滿足大多數(shù)老年人的養(yǎng)老需求。如何積極應(yīng)對人口老齡化，解決有限的養(yǎng)老資源與急劇增長的養(yǎng)老需求之間的矛盾，成為社會密切關(guān)注的問題。作為社會養(yǎng)老的一種形式——養(yǎng)老地產(chǎn)，在此背景下應(yīng)運(yùn)而生。

養(yǎng)老地產(chǎn)是我國實現(xiàn)居家養(yǎng)老、社區(qū)養(yǎng)老與機(jī)構(gòu)養(yǎng)老相結(jié)合等社會化養(yǎng)老的有效載體和實現(xiàn)形式[1]，大力推行養(yǎng)老地產(chǎn)可以有效地緩解政府的社會保障壓力，解決我國目前所面臨的社會化養(yǎng)老問題。養(yǎng)老地產(chǎn)作為特殊的新興房地產(chǎn)行業(yè)，盡管其發(fā)展?jié)摿薮?，但由于在我國尚處于探索和初步發(fā)展階段，開發(fā)資金需求量大、回收周期長、市場定位不清晰且普遍缺乏開發(fā)全過程的經(jīng)驗，致使面臨的風(fēng)險因素復(fù)雜多樣，給投資者帶來巨大的風(fēng)險損失。要想使養(yǎng)老地產(chǎn)在我國健康有序的發(fā)展，如何規(guī)避其投資風(fēng)險，實現(xiàn)養(yǎng)老地產(chǎn)投資項目盈利成為目前亟待解決的問題。傳統(tǒng)的風(fēng)險評價方法有層次分析法[2]、灰色關(guān)聯(lián)分析[3]、BP神經(jīng)網(wǎng)絡(luò)[4]等，但上述方法在實際運(yùn)用中均存在一些不足，已不能滿足養(yǎng)老地產(chǎn)項目投資風(fēng)險管理的需要。支持向量機(jī)（Support Vector Machine，SVM）建立在結(jié)構(gòu)風(fēng)險最小化原理基礎(chǔ)上，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷[5]，以期實現(xiàn)經(jīng)驗風(fēng)險和置信范圍的最小化，從而獲得良好的統(tǒng)計規(guī)律和更好的泛化能力。與傳統(tǒng)方法相比，其具有很好的魯棒性和預(yù)測能力，有效地解決了小樣本、非線性的問題。故從養(yǎng)老地產(chǎn)實際出發(fā)，采用SVM方法對養(yǎng)老地產(chǎn)項目的投資風(fēng)險進(jìn)行評估度量，為養(yǎng)老地產(chǎn)項目的投資決策提供一定的支持。

1 養(yǎng)老地產(chǎn)項目投資風(fēng)險因素分析

1.1 養(yǎng)老地產(chǎn)項目投資風(fēng)險因素

1.1.1 項目建設(shè)風(fēng)險

養(yǎng)老地產(chǎn)項目在整體規(guī)劃建設(shè)方面要求很強(qiáng)的專業(yè)性，從項目選址、規(guī)劃設(shè)計、配套設(shè)施等各方面必須符合老齡消費(fèi)群體的身體特質(zhì)與心理需求[6，7]，比一般住宅功能更加具體化、細(xì)節(jié)化。養(yǎng)老地產(chǎn)項目建設(shè)風(fēng)險主要包括：選址風(fēng)險、適老設(shè)計風(fēng)險、配套設(shè)施風(fēng)險和區(qū)域規(guī)劃風(fēng)險等。

1.1.2 養(yǎng)老地產(chǎn)市場風(fēng)險

養(yǎng)老地產(chǎn)作為一個新興的市場，由于老年人傳統(tǒng)的養(yǎng)老觀念并未改變，且對該產(chǎn)業(yè)知識的了解欠缺，尚未被社會真正接受和認(rèn)可，這將直接影響項目的售出量和租賃量，容易給投資者造成損失。養(yǎng)老地產(chǎn)項目市場風(fēng)險主要包括：市場供求風(fēng)險、市場定價風(fēng)險、養(yǎng)老市場認(rèn)可風(fēng)險和市場競爭風(fēng)險等。

1.1.3 政策風(fēng)險

我國支持和鼓勵養(yǎng)老地產(chǎn)的建設(shè)，近一兩年國家已陸續(xù)出臺不少政策，但土地、稅收、金融等支持政策不夠細(xì)化，并沒有形成一個完整的具有法律效力的鼓勵性實施環(huán)境，最終導(dǎo)致政策不能落實到位，這成為阻礙養(yǎng)老地產(chǎn)發(fā)展的主要因素。養(yǎng)老地產(chǎn)政策風(fēng)險主要包括產(chǎn)業(yè)政策風(fēng)險、金融政策風(fēng)險、稅收政策風(fēng)險、養(yǎng)老用地政策風(fēng)險等多個方面。

1.1.4 經(jīng)濟(jì)風(fēng)險

經(jīng)濟(jì)風(fēng)險主要指一系列與經(jīng)濟(jì)發(fā)展相關(guān)會對養(yǎng)老地產(chǎn)投資項目的市場產(chǎn)生影響的風(fēng)險。造成養(yǎng)老地產(chǎn)項目經(jīng)濟(jì)風(fēng)險的來源較多，主要有融資風(fēng)險、費(fèi)用控制風(fēng)險、通貨膨脹風(fēng)險等。

1.1.5 管理風(fēng)險

相對于傳統(tǒng)房地產(chǎn)項目，養(yǎng)老地產(chǎn)的管理服務(wù)內(nèi)容更多，工作更繁瑣，管理者經(jīng)驗水平和養(yǎng)老服務(wù)水平的高低，則對運(yùn)營效果具有重大影響。養(yǎng)老地產(chǎn)項目管理風(fēng)險包括養(yǎng)老地產(chǎn)項目管理者經(jīng)驗風(fēng)險、養(yǎng)老服務(wù)風(fēng)險等方面。

1.2 養(yǎng)老地產(chǎn)項目投資風(fēng)險評價指標(biāo)體系的構(gòu)建

養(yǎng)老地產(chǎn)項目投資風(fēng)險評價指標(biāo)體系要求科學(xué)、客觀、全面，能夠確切反映影響項目風(fēng)險評價狀況的因素。故基于上述對養(yǎng)老地產(chǎn)項目投資風(fēng)險因素的分析，對其所涵蓋的影響因素進(jìn)行進(jìn)一步的歸納與分類，建立養(yǎng)老地產(chǎn)項目投資風(fēng)險評價指標(biāo)體系如圖1所示。

2 支持向量機(jī)基本原理

3 基于SVM的養(yǎng)老地產(chǎn)項目投資風(fēng)險評價

選取已建成的12個典型養(yǎng)老地產(chǎn)項目作為實例分析對象，采用已構(gòu)建的風(fēng)險評價指標(biāo)體系對養(yǎng)老地產(chǎn)項目的投資風(fēng)險進(jìn)行評價。

3.1 收集數(shù)據(jù)

由于影響?zhàn)B老地產(chǎn)項目投資風(fēng)險的各評價指標(biāo)多為定性因素，故采用專家打分的方法，聽取20位養(yǎng)老地產(chǎn)項目方面的專家意見，并依據(jù)多年的研究經(jīng)驗對各個項目進(jìn)行打分，打分的分值為：0.1，0.3，0.5，0.7，0.9五個等級，依次對應(yīng)風(fēng)險：低，較低，一般，較高，高五個評價等級。打分時由專家充分審核，分析各個項目規(guī)劃、實際運(yùn)行和經(jīng)營狀況，給出各風(fēng)險指標(biāo)的評分值以及項目的風(fēng)險值，匯總整理后，得到養(yǎng)老地產(chǎn)項目投資風(fēng)險專家評估數(shù)據(jù)集。如表1所示，表1中第1列為12個學(xué)習(xí)樣本，U1-U17列表示專家對各風(fēng)險評價指標(biāo)的平均值，最后1列為專家綜合評價值。以體現(xiàn)養(yǎng)老地產(chǎn)項目投資風(fēng)險的各項風(fēng)險因素指標(biāo)值作為支持向量機(jī)的輸入向量，項目投資風(fēng)險值作為輸出變量，兩者構(gòu)成模型訓(xùn)練集。選取前9個項目的樣本數(shù)據(jù)作為SVM訓(xùn)練樣本集，后三個項目的樣本數(shù)據(jù)作為測試樣本集，用來驗證基于SVM的養(yǎng)老地產(chǎn)項目投資風(fēng)險評價模型的準(zhǔn)確性。

3.2 確定模型參數(shù)

3.3 結(jié)果分析

將后三個作為測試樣本代入建立的模型進(jìn)行驗證，實際輸出結(jié)果分別為0.4418、0.3918和0.6482，其相對誤差如表2所示。

從訓(xùn)練模型對測試樣本評估的結(jié)果可知，SVM的評價值與專家評價結(jié)果基本一致，相對誤差均在可接受范圍內(nèi)，基本上已能符合實際評估工作的要求，說明利用支持向量機(jī)建立的養(yǎng)老地產(chǎn)項目投資風(fēng)險評價模型具有良好的適用性且擬合效果較好，可以用來評價養(yǎng)老地產(chǎn)項目投資風(fēng)險，并且大大縮短了運(yùn)算時間。至此，基于SVM的養(yǎng)老地產(chǎn)項目投資風(fēng)險評價模型已經(jīng)建立起來。對于待投資的養(yǎng)老地產(chǎn)項目，只需將項目的風(fēng)險指標(biāo)值輸入訓(xùn)練好的模型中，即可得到該項目的風(fēng)險評價值，同時確定相應(yīng)的風(fēng)險等級，而且可以快速批量的進(jìn)行。

4 結(jié)論

以養(yǎng)老地產(chǎn)項目投資風(fēng)險為研究對象，在對風(fēng)險因素進(jìn)行合理分析的基礎(chǔ)上，結(jié)合我國養(yǎng)老地產(chǎn)的發(fā)展現(xiàn)狀，建立了基于SVM的養(yǎng)老地產(chǎn)項目投資風(fēng)險評價模型。并通過實例表明，該模型能夠較好的對養(yǎng)老地產(chǎn)項目投資風(fēng)險進(jìn)行評價，結(jié)果精確且運(yùn)行速度快，能夠提高投資者決策的可靠性，有效的規(guī)避風(fēng)險。支持向量機(jī)與常用的風(fēng)險評價方法相比，減少了風(fēng)險評價過程中的主觀性問題，使評價結(jié)果更為客觀，并且對樣本數(shù)量的依賴性較弱，通過有限樣本的學(xué)習(xí)而構(gòu)建的評價模型具有較強(qiáng)的泛化能力和推廣能力。因此，將支持向量機(jī)用于養(yǎng)老地產(chǎn)項目投資風(fēng)險評價具有一定的實踐意義。

參考文獻(xiàn)：

[1]姜睿，蘇舟.中國養(yǎng)老地產(chǎn)發(fā)展模式與策略研究[J].現(xiàn)代經(jīng)濟(jì)探討，2012（10）：38-42.

[2]劉群紅，鐘普平，陳琛.基于AHP方法的老年地產(chǎn)項目投資風(fēng)險評價研究[J].城市發(fā)展研究，2014（11）：29-32.

[3]劉濤，孟曉諭.基于改進(jìn)灰關(guān)聯(lián)分析的多層次綜合風(fēng)險評價模型研究[J].科學(xué)與管理，2009（6）：62-65.

[4]李欣澤，樊相宇.基于BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)風(fēng)險研究——以西安地區(qū)為例[J].現(xiàn)代商業(yè)，2013（30）：45-47.

[5]馬義德，邱秀清.支持向量機(jī)若干優(yōu)化算法的比較研究[J]. 計算機(jī)科學(xué)技術(shù)，2006.

[6]Gilroy R. Places that Support Human Flourishing： Lessons from Later Life[J]. Planning Theory & Practice， 2008， 9（2）：145-163.

[7]Smets A J H. Housing the elderly： segregated in senior cities or integrated in urban society？[J]. Journal of Housing and the Built Environment，2012，27（2）： 225-239.

[8]Kim J， Kim S， Tan L. Case Study on the Determination of Building Materials Using aSupport Vector Machine[J]. Journal of Computing in Civil Engineering， 2014， 28（2）：315-326.

[9]丁世飛，齊丙娟，譚紅艷.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報，2011（01）：2-10.

[10]Cherkassky V， Ma Y. Practical selection of SVM parameters and noise estimation for SVM regression[J]. Neural Networks， 2004， 17（1）：113-126.

[11]陳果，周伽.小樣本數(shù)據(jù)的支持向量機(jī)回歸模型參數(shù)及預(yù)測區(qū)間研究[J].計量學(xué)報，2008（01）：92-96.

[12]任立輝，李文東，慈興華，等.基于LIBSVM的石油錄井中巖屑巖性識別方法研究[J].中國海洋大學(xué)學(xué)報（自然科學(xué)版），2010（09）：131-136.