基于改进特征价格法的湖景房价值评估研究 81页

学校代码10125专业代码025600硕士学位论文题目基于改进特征价格法的湖景房价值评估研究姓名和倩专业资产评估研究方向不动产评估所属学院管理科学与工程指导教师李斌二〇一年月日\n\nUniversityCode10125MajorCode025600ShanxiUniversityofFinance&EconomicsThesisforMaster’sDegreeTitleStudyonthevalueoflake-viewroombasedontheimprovedhedonicpricemethodNameHeQianMajorAssetEvaluationResearchOrientationRealestateappraisalSchoolShanxiuniversityoffinanceandeconomicsTutorLiBinMonthDay，Year\n\n学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究所做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：年月日\n\n学位论文版权使用授权书本学位论文作者完全了解学校有关保管、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权山西财经大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于保密□，不保密□。在年解密后适用本授权书。（请在以上方框内打“√”）学位论文作者签名：指导教师签名：日期：年月日日期：年月日\n\n山西财经大学硕士学位论文摘要评估对象的确定，是房地产评估工作的基础和起点。湖景房享有优美的湖景与新鲜空气，显著的宜居性使其成为购房热点。以湖景房为评估对象，探索简单便捷的评估操作，获取科学合理的评估结论，无论对于湖景房的开发、定价还是购买决策都是必要和重要的。与此同时，房地产评估结果的合理性与评估方法的选择密切相关。在房地产评估领域，特征价格法已成为常用的评估方法，适用于湖景房价值评估，但是在运用中仍存在一系列问题，例如函数形式的选择具有主观随意性、模型的检验与修正步骤繁琐、不能处理非线性问题等，这些都会对评估结果的准确性与合理性造成影响。基于此，本文主要进行了以下工作：第一，湖景房价值评估原理与方法的剖析。首先进行了沿湖对房地产价值的影响分析，根据沿湖地区的居住适宜性、消费者住房需求的转变、房地产开发热点的改变以及湖景房价值的升高之间的本质联系，归纳出沿湖带来湖景房价值溢价的结论。其次分析了三大传统评估方法与特征价格法对湖景房价值评估的适用性，并进行比较，最终认为特征价格法最适用于进行湖景房价值评估。第二，基于BP神经网络对传统特征价格评估法的改进。引入BP神经网络算法，通过比较研究对BP神经网络与特征价格法结合的可行性与优越性作出分析。通过对比最小二乘法与BP神经网络算法，根据二者在模拟映射关系方面的共同点以及在操作步骤与适用范围方面的异同点，可以得出：在特征价格法中可以用BP神经网络算法替代最小二乘法，并且由于BP神经网络算法的操作更加便捷，能够处理非线性复杂映射关系，因此能够弥补最小二乘法的缺陷，处理复杂的房地产数据更具有优势。第三，苏州独墅湖周边湖景房的具体评估。以苏州独墅湖周边的湖景房作为评估对象，选取7个小区165个房源，分别运用基于BP神经网络的特征价格法与传统特征价格法，建立了两类湖景房价值评估模型。评估结果表明，离湖越近，湖景房价值越高，离湖远近对湖景房价值的影响极为显著。第四，改进的特征价格法的评估效果检验。对基于BP神经网络的改进特征价格法与传统特征价格法的评估操作与评估精度进行了实证检验。结果表明，改进1\n基于改进特征价格法的湖景房价值评估研究的特征价格评估法操作更为简便，全过程通过MATLAB神经网络工具箱进行，大大提高了评估效率；改进的特征价格评估法评估精度更高，其评估误差率相比传统特征价格法大约低1.4个百分点，且波动幅度更小。因此改进的特征价格法评估效果良好，值得应用与推广。本文对湖景房价值的评估研究，丰富了城市景观对房地产价值的影响评估研究，提供了政府、房地产企业与购房者决策的技术支持，探讨了房地产评估方法改进的新思路。研究结论对于房地产评估方法的进步，对于房地产行业的健康发展，对于人民居住条件的不断改善等都具有重要意义。关键词：湖景房；改进特征价格法；BP神经网络2\n山西财经大学硕士学位论文AbstractThedeterminationoftheevaluationobjectisthebasisandstartingpointofevaluationforrealestate.Livinginthelake-viewroomcanenjoythebeautifullakeandfreshair,sothelake-viewroombecomeahotpropertyowingtoitssignificantlivability.Whenchoosingthelake-viewroomastheobjectsofevaluation,exploringsimpleandconvenientevaluationoperationsaswellasobtainingscientificandreasonableevaluationconclusionsisnecessaryandimportantforthedevelopment,pricing,orpurchasedecisionoflake-viewroom.Meanwhile,thereasonablenessoftheevaluationresultsiscloselyrelatedtotheselectionofevaluationmethods.Hedonicpricemethodhasbecomeacommonlyusedmethodinthefieldofrealestateevaluation,whichisavailabletoassessthevalueofthelakehouse.However,therearestillaseriesofproblemsinitsapplication,suchasthesubjectiverandomnessonthechoiceoftheformofthefunction,thetediousstepsinthetestandcorrectionofthemodelanditsunablitytodealwithnonlinearproblems,whichaffecttheaccuracyandrationalityoftheevaluationresults.Basedontheabove,themainworkofthisarticleisasfollows:First,analysetheevaluationprincipleandmethodoflake-viewroomvalue.Thisdissertationanalyzestheinfluenceoflakeontheperipheralrealestatevalue.Accordingtotheessentialconnectionamongresidentialsuitabilityinthelakearea,thetransformofconsumer'shousingdemand,thechangeofhotspotofrealestatedevelopmentandtheriseoflake-viewroomvalue,aconclusionisdrawedthatthefactoroflakebringapremiumtothelake-viewroom.Thenafteranalyzingandcomparingtheapplicabilityofthreetraditionalevaluationmethodsandhedonicpricemethodtotheevaluationoflake-viewroom,thehedonicpricemethodisconsideredthemostsuitablemethod.Second,improvethetraditionalhedonicpricemethodbasedonBPneuralnetwork.ThisdissertationintroducestheBPneuralnetworkalgorithm，andanalyzesthefeasibilityandsuperiorityofcombiningBPneuralnetworkwithhedonicpricemethodthroughcomparativestudy.BycomparisonofleastsquaremethodandBPneural3\n基于改进特征价格法的湖景房价值评估研究networkalgorithm,andaccordingtotheircommonfunctioninsimulatingmappingrelationshipsaswellastheirdifferentstepsofoperationandscopeofapplication,itcanbeconcludedthattheBPneuralnetworkalgorithmcanbeusedtoreplacetheleastsquareinthehedonicpricemethod.Furthermore,BPneuralnetworkalgorithmhasmoreconvenientoperationandisabletohandlecomplexnonlinearmappingrelation,soitcanmakeupthedefectsoftheleastsquaremethodandhasmoreadvantagesindealingwithcomplexrealestatedata.Third,specificallyevaluatethelake-viewroomsurroundingtheSuzhouDushuLake.Theempiricalstudytakeslake-viewroomsurroundingtheSuzhouDushuLakeastheobjectsofevaluation,selects165housesof7communities,andsetuptwokindsoflake-viewroomvalueevaluationmodelrespectivelyusingthehedonicpricemethodbasedonBPneuralnetworkandthetraditionalhedonicpricemethod.Theevaluationresultsshowthat,theclosertothelake,thehighervaluethelake-viewroomis,sotheinfluenceofthedistancefromlakeonlake-viewroomvalueisverysignificant.Fourth,testtheevaluationeffectoftheimprovedhedonicpricemethod.ThisdissertationempiricallyteststheevaluationoperationandevaluationaccuracyoftheimprovedhedonicpricemethodbasedonBPneuralnetworkandthetraditionalhedonicpricemethod.Theresultsshowthattheimprovedhedonicpriceevaluationmethodiseasiertooperate,andthewholeprocessiscarriedoutthroughtheMATLABneuralnetworktoolbox,whichgreatlyimprovestheevaluationefficiency.Theimprovedhedonicpriceevaluationmethodhasahigheraccuracy,anditserrorrateis1.4percentagepointslowerthanthatofthetraditionalhedonicpricemethod,andthefluctuationrangeissmaller.Therefore,theimprovedhedonicpricemethodhasagoodevaluationeffectandisworthyofapplicationandpromotion.Theresearchontheevaluationoflake-viewroomvalueenrichestheevaluationresearchoftheimpactofurbanlandscapeonrealestatevalue,providestechnicalsupportforgovernment,realestateenterprisesandbuyers'decision,anddiscussesthenewideaofimprovingthemethodofrealestateevaluation.Theresearchconclusionisofgreatsignificancetotheprogressofrealestateevaluationmethod,thehealthydevelopmentoftherealestateindustry,andthecontinuousimprovementofpeople,s4\n山西财经大学硕士学位论文livingconditions.Keywords:lake-viewroom;improvedhedonicpricemethod;BPneuralnetwork5\n基于改进特征价格法的湖景房价值评估研究6\n山西财经大学硕士学位论文目录学位论文原创性声明.......................................................................................................1学位论文版权使用授权书...............................................................................................1摘要...................................................................................................................................1Abstract..............................................................................................................................3第1章绪论.....................................................................................................................11.1研究背景与意义.................................................................................................11.1.1研究背景...................................................................................................11.1.2研究意义...................................................................................................11.2相关文献综述.....................................................................................................21.2.1特征价格法的研究现状...........................................................................21.2.2人工神经网络的研究现状.......................................................................41.2.3城市湖景驱动房价波动的研究现状.......................................................61.2.4文献评价...................................................................................................61.3研究内容与方法.................................................................................................61.3.1研究内容...................................................................................................61.3.2研究方法...................................................................................................71.4论文的创新之处..................................................................................................8第2章湖景房价值评估的原理与方法.........................................................................92.1沿湖对房地产价值的影响分析.........................................................................92.2湖景房价值评估方法的选择...........................................................................102.2.1三大传统评估方法的适用性分析.........................................................102.2.2特征价格法的适用性分析.....................................................................112.2.3本文湖景房价值评估方法的确定.........................................................11第3章基于BP神经网络算法的特征价格评估法....................................................133.1特征价格法概述...............................................................................................133.1.1理论基础.................................................................................................133.1.2模型的形式.............................................................................................143.1.3模型的估计与检验.................................................................................141\n基于改进特征价格法的湖景房价值评估研究3.2BP神经网络......................................................................................................163.2.1BP神经网络的概念................................................................................163.2.2BP神经网络的基本结构........................................................................173.2.3BP神经网络的学习规则........................................................................183.3MATLAB对BP神经网络的实现....................................................................203.3.1MATLAB实现BP神经网络算法的步骤..............................................213.3.2网络训练效果的优化.............................................................................223.4BP神经网络与特征价格法结合的可行性与优越性分析..............................223.4.1BP神经网络与特征价格法结合的可行性............................................223.4.2BP神经网络与特征价格法结合的优越性............................................23第4章苏州独墅湖湖景房评估研究...........................................................................254.1评估操作思路...................................................................................................254.2评估对象概况...................................................................................................264.3数据来源...........................................................................................................274.4房价影响因素分析...........................................................................................284.4.1宏观因素.................................................................................................284.4.2建筑结构因素.........................................................................................284.4.3区位因素.................................................................................................294.4.4邻里环境因素.........................................................................................304.5特征变量的选择与量化...................................................................................304.6建立基于BP神经网络算法的特征价格模型................................................314.6.1网络的初步训练.....................................................................................324.6.2网络参数的优化.....................................................................................334.6.3运行模型并测试误差.............................................................................364.7建立传统的特征价格模型...............................................................................374.7.1模型形式的选择.....................................................................................384.7.2模型的估计与检验.................................................................................384.7.3回归方程的建立与分析.........................................................................424.7.4模型的误差测试.....................................................................................432\n山西财经大学硕士学位论文4.8两种评估方法对比...........................................................................................444.8.1评估误差率对比.....................................................................................444.8.2评估操作对比.........................................................................................444.9实证模型的应用...............................................................................................45第5章结论与展望.......................................................................................................465.1主要研究结论...................................................................................................465.2未来研究展望...................................................................................................47附录.................................................................................................................................48附录1实证样本数据.............................................................................................48附录2实证MATLAB语法...................................................................................55参考文献.........................................................................................................................56致谢.................................................................................................................................61攻读硕士学位期间发表的论文情况.............................................................................633\n基于改进特征价格法的湖景房价值评估研究4\n山西财经大学硕士学位论文第1章绪论1.1研究背景与意义1.1.1研究背景1998年朱镕基总理提出，“房地产业是国民经济的增长点”；2008年温家宝总理表示，“房地产业是国民经济的重要支柱”；2016年，李克强总理强调，“要推进并保持房地产市场平稳健康地发展”。由此可见，房地产业在国民经济中担任着重要角色，一直都是国家重视的行业，不断促进着中国经济的迅速发展。随着房地产市场的交易活动日趋活跃，房地产价值评估在房地产交易的各个环节起着愈加重要的作用，房地产评估的准确性也备受重视。现如今街道上商业氛围愈加浓重，车辆人流往来喧嚣，而人们也随着工作愈加繁忙，精神压力变大，更加注重生活的品质，不断追求居住的适宜性，提升对居住环境的要求。“湖景房”是指靠近湖的房子，依水而立、贴近自然、空气新鲜、环境优美，吸引着大量的开发商与购房者。因此湖景房价值的评估也显得更加重要，对开发商与购房者的行为决策具有指导意义。与普通住宅相比，沿湖这一因素对湖景房的价值必然有提升作用，从而带来房地产溢价效应，针对此特殊性，采取合理的评估方法格外重要。目前，特征价格法是一种普遍的房地产评估方法，适用于湖景房价值的评估。但是传统的特征价格法在实际操作中存在着一些问题，例如函数形式的选择具有主观随意性、模型的检验与修正步骤繁琐、不能处理非线性问题等等，影响着评估结果的准确性。因此，本文在评估湖景房价值的过程中，引入BP神经网络算法对传统特征价格法进行了改进，并检验其改进效果。1.1.2研究意义（1）理论上：第一，本文针对湖景房，剖析了沿湖对湖景房价值的影响，论证了沿湖对湖景房价值的重要性，完善了湖景房价值研究的理论体系。第二，本文对BP神经网络与特征价格法的结合进行了可行性与优越性分析，并建立了估价1\n基于改进特征价格法的湖景房价值评估研究模型，从而完善了房地产评估的技术与方法，为房地产评估提供了新思路。（2）实践上：第一，提高了房地产评估操作的简单快捷性。传统特征价格法运用最小二乘法回归，在函数形式的选择上没有明确的理论指导，往往需要比较不同函数模型的拟合优度；此外模型还需要经过不断的修正来通过各项检验，整个过程非常繁琐。基于BP神经网络的特征价格法，通过对样本的训练，可以直接建立房地产价格与特征变量之间的复杂映射，整个过程通过MATLAB工具箱完成，操作便捷。第二，提升了房地产评估结果的精确度。传统特征价格法采用传统数学方法例如最小二乘法进行方程估计，难以有效地处理非线性多变量的情况；神经网络方法采用并行式分布处理，可以解决复杂的非线性问题，更能准确地反映当今房价与特征变量之间的复杂关系。1.2相关文献综述1.2.1特征价格法的研究现状特征价格法是一种普遍的房地产评估方法，现在对其重要研究成果以及在房地产领域的发展进行了梳理。（1）关于特征价格模型的起源。经济学界对此有两种观点：一方面，PeterF.Colwell和GeneDilmore(1999)认为特征价格模型起源于Hass在1922年发表的硕士论文，因为该论文把农场地价格的差异归结于农场地离市中心的远近和所在城市的大小，这是特征价格思想的源泉。另一方面，由于Court将汽车价格作为汽车重要特征的函数，并建立了汽车特征价格指数，因此Griliches(1961)、Bartik(1987)、Goodman(1998)、RobertandShapiro(2003)认为Court(1939)最先使用了特征价格模型，之后20世纪60年代初期ZviGriliches对此方法进行了推广。大部分学者赞同后者[1]。（2）关于特征价格理论的发展。在Court(1939)使用了特征价格模型之后，由于网络软件的落后、数据获取与处理方法的欠缺以及学术界对该理论兴趣的缺乏（A.C.Goodman，1998），该研究领域出现了二十多年的发展停滞期。直到20世纪中后期，Griliches（1961）通过建立汽车行业特征价格指数，复兴了特征价格模型的发展。之后消费者理论与市场供需均衡模型（Lancaster，1966；Rosen，1974）2\n山西财经大学硕士学位论文的提出奠定了特征价格理论的基础，AllenC.和Goodman(1978)[2]提出使用特征价格法来编制房屋价格指数，推动了特征价格理论的进程。之后学者们的研究重点从理论转移到了实证与技术改进方面。（3）关于特征价格模型应用于房地产领域的研究。1967年Ridker首次引入特征价格理论进行房地产市场分析，从此以后特征价格模型在房地产领域的应用越来越广泛，国外开始了大量的实证研究。近年来的实证研究也有许多，例如RandyE.Dumm（2011）[3]运用特征价格模型以2000-2007年售出的南佛罗里达州房地产为对象，研究了建筑规范对销售价格的影响；ItaiShelem(2011)[4]运用研究了以色列军事工业的污染及其对邻近特拉维夫地区公寓销售价格的影响；GabrielKayodeBabawale(2011)[5]以研究区域内450个出租公寓作为样本，运用一个标准的特征价格模型检验了接近一个教堂对住宅价格没有影响的假设；Oduwole（2013）[6]运用特征价格模型研究了阿布贾卫星城镇住宅公寓租金的影响因素；MarcoHelbich（2015）[7]运用特征价格模型验证与基于较高地域层次相比，是否从最低地域层次创建的街区版本可以提高特征价格模型的预测精度。相比而言，国内对特征价格理论的运用较晚，1995年王力宾教授将特征价格理论引入国内研究中，2003年之后研究重点才由简单的理论介绍转为大量市场数据的实证分析[8]。例如，马思新、李昂（2003）[9]建立了北京市商品房的特征价格模型；李信儒、马超群、李昌军（2005）[10]基于特征价格模型探讨了城镇基准地价的评估方法，并应用于2004年长沙市基准地价的更新中；近年来孙玉环（2011）[11]构建了大连市商品住宅特征价格模型；刘璧婷、李星野（2013）[12]以上海市为例建立了住宅的特征价格模型；徐丽、简迎辉（2015）[13]运用特征价格理论对南京市住宅价格进行实证研究；杨杉、邓科（2015）[14]以成都市存量住宅数据为例，研究特征价格模型对房地产税税基评估的适用性；冯波、郭巍、陈昕（2016）[15]则建立了北京市住宅的特征价格模型，并定量分析了各项因素对北京市住宅用地价格的影响情况。（4）关于特征价格法的改进研究。学者们在实证分析过程中逐渐应用了计量经济学方法、空间信息分析技术、人工智能技术等对特征价格法进行改进研究。首先，模型形式上的改进。特征价格模型最开始采用的是简单的线性模型，一些学者发现线性模型许多时候并不能反映特征与价格之间的关系，于是3\n基于改进特征价格法的湖景房价值评估研究A.C.Goodman(1978)提出了对模型进行Box-Cox变换，R.KelleyPace(1995)[16]研究了非参数与半参数方法，NeillHelenR(2007)对三维模型进行了研究[17]。其次，模型估计方法的改进。最小二乘法是最初的估计方法，近年来KagieMartin(2007)引入了Boosting算法，PάxezAntonio等(2008）尝试了移动视窗法，BadiH.Baltagi(2011)则采用了极大似然估计，周丽萍（2008）[18]、司继文（2012）[19]等人采用BP神经网络算法估计模型；近年来Hyung-GunKim（2015）[20]在实证中用Box分位数回归法对模型进行估计，结果表明该方法更全面地描述了住宅价格的决定因素。此外，变量选择及数据获取的改进。KainandQuigley(1970)采用了因子分析法来优化选择特征变量；2006年陈安明[21]提出将主成分分析方法与特征价格方法相结合的观点；RicardoCrespo(2013)[22]验证了在特征价格模型中运用局部回归技术的优势；KongFanhua(2007)、周丽萍(2008)、A.M.Zainora(2016)[23]等人运用GIS方法进行了研究；高建（2008）[24]、宋永发（2008）[25]、黄古博（2011）[26]、漆勇方（2013）[27]等人对此作出了实证研究。（5）运用特征价格模型研究热点问题，进行房地产市场细分。近年来一些学者开始运用特征价格模型研究细分的房地产市场，如王一川（2010）[28]使用该模型研究国内租赁市场，赵伟（2011）针对城中村区域进行租赁住宅的特征价格研究[29]，杨晓冬、李忠富（2011）[30]建立了住宅租赁特征价格指标体系，并构建了哈尔滨市住房租赁价格特征价格模型，张竞华（2017）[31]等人基于特征价格模型对公租房的定价进行了研究；王琳（2009）[32]、钟祥（2013）[33]、刘康（2015）[34]、于露（2016）[35]、韩永超（2017）[36]等人利用轨道交通将城市房产市场进行细分，并结合该模型研究轨道交通对周边房价的影响。1.2.2人工神经网络的研究现状19世纪末，西班牙神经组织学家Cajal提出了神经元学说，开启了学者们对神经元生物学特征研究的大门，从此之后学者们开始了神经网络模型的创立、完善与应用。（1）人工神经网络的创立与发展1943年McCulloch和Pitts提出的“M-P”模型，是人工神经网络的起源[37]；4\n山西财经大学硕士学位论文1960年Widrow和Hoff提出了第一个真正意义上的神经网络模型——自适应线性元件[38]；1972年Kohonen提出的自组织特征映射网络，为现在的神经网络提供理论基础[39]。20世纪80年代，人工神经网络在世界各地引起了越来越多的注意，学者们先后提出了许多神经网络模型以及算法规则，并进行不断改进与完善，促进了人工神经网络的快速发展，其重要研究成果如表1-1所示。表1-1国内外关于人工神经网络的重要研究成果时间学者代表研究成果提出了Hopfield神经网络模型，并对非多项式复杂1982年Hopfield度的旅行商问题进行了探索，使人工神经网络的研究有了突破性的进展[40]明确提出了隐单元概念，并设计出了一种反馈型神1983年Sejnowski和Hinton经网络——波尔兹曼机模型提出了按误差反向传播进行权值修正的多层神经1986年D.E.Rumelhart网络学习算法——BP算法1990年Aihara结合混沌学理论，给出了混沌神经网络模型1995年Jenkins建立了光学神经网络系统提出了快速规则抽取算法[41]，之后提出了FERNN2000年Setiono算法加以改进证明了确定性退火方法较传统BP算法训练径向基2000年郑南宁神经网络的优越性[42]2002年Hinton提出RBM学习的快速算法[43]提出了基于结果反馈的神经网络新算法——FBBP2004年武妍、王守觉算法，并证明该算法能够提高网络的泛化能力[44]证明对代价敏感的神经网络进行训练，可以减少甚2006年周志华至消除样本的不平衡[45]先后提出了ICBP[46]、DLS-ICBP[47]、2003年陈松灿（PARNEC团队）ChainedDLS-ICBP[48]以及Plane-Uaussian[49]等神经-2012年网络模型资料来源：根据文献资料整理而得（2）人工神经网络在房地产领域的研究在几十年的发展中，神经网络广泛应用于各个领域[50]，近年来许多学者将神经网络应用于房地产领域，主要研究包括以下几方面：运用神经网络建立房地产泡沫预警系统、进行住宅的风险分析、进行住宅的需求预测、进行房价预测、构建估价模型等。例如，杨晓冬、王要武（2008）运用BP神经网络模型建立了房地产泡沫预警系统，并提出该系统对于房地产市场评价的重要意义[51]；朱明强（2006）运用BP神经网络理论进行了商品住宅的投资风险分析，并研究了投资风险的变化规律[52]；江涛、陈小鸣（2006）建立了基于BP神经网络的住宅市场需求预测模型，并对大连市的住宅需求进行预测[53]；胡晓龙、郜振华、马光红（2008）[54]，李大5\n基于改进特征价格法的湖景房价值评估研究营、许伟、陈荣秋（2009）[55]，花景新、薄煜明、陈志敏（2014）[56]，潘志安、沈平（2014）[57]将神经网络引入房地产价格的预测研究；张晓平、周芳芳、谢朝（2009）[58]以训练样本为基础，建立了基于神经网络的房地产评估模型；池娇、焦利民（2017）[59]将房地产价格分布的空间自相关性列入考虑，建立了3种基于BP神经网络的空间型房地产价格评估模型。1.2.3城市湖景驱动房价波动的研究现状学者们围绕城市景观对房价的影响做出了许多研讨，但是重点考察湖景对房价影响的研究并不多，且相关研究集中在运用特征价格法定量分析“离湖的距离”对房价的影响。例如，吴冬梅、郭忠兴与陈会广[60]研究了南京市莫愁湖对附近房价的影响，结果表明湖景的舒适性价值在房价中有13％左右的比重；顾新辰[61]研究了苏州金鸡湖对周边房价的影响，研究表明离金鸡湖的距离每缩短1%，房价上涨0.099%；赵沁娜、朱天俊[62]以合肥市天鹅湖为为例，研究离湖的距离对房价的影响，结果表明二者呈现显著的负相关。1.2.4文献评价迄今为止，国内外关于特征价格法与神经网络已经有了丰富的研究成果，在国内外得到了较为广泛地应用，尤其在房地产领域的运用越来越多，使之发挥出了巨大的价值。但是，当前关于城市湖景房的评估研究并不丰富，将神经网络与特征价格法相结合的研究更是鲜见。因此，本文以湖景房为研究对象，定性分析沿湖对湖景房价值的影响，并且利用神经网络对传统特征价格法进行改进，在具体的湖景房评估中展示其便捷性与有效性。1.3研究内容与方法1.3.1研究内容本文运用改进的特征价格法进行湖景房价值评估，具体内容如下：第1章是绪论。主要介绍了研究背景与意义、相关文献综述、研究内容与方法，主要的创新点。6\n山西财经大学硕士学位论文第2章是湖景房价值评估的原理与方法。首先定性分析了沿湖对房价的影响，其次通过比较三大传统评估方法与特征价格法的优缺点，对本文湖景房价值评估方法作出选择。第3章是基于BP神经网络的特征价格评估法。主要介绍了特征价格法、BP神经网络、MATLAB对BP神经网络算法的实现，并对BP神经网络与特征价格法结合的可行性与优越性做出分析。第4章是苏州独墅湖湖景房评估研究。主要介绍了评估操作思路、评估对象概况、实证数据来源，分析了湖景房的房价影响因素，进行了特征变量的选择，确定了特征变量的量化方法，在此基础上分别运用基于BP神经网络的特征价格法与传统特征价格法进行评估，构建湖景房评估模型，最终对两种方法的评估误差率与评估操作进行对比。第5章是结论与展望。从本文的研究中归纳出结论，并针对研究中存在的不足，提出未来的研究展望。1.3.2研究方法（1）文献研究法。搜集国内外关于特征价格法、人工神经网络以及城市湖景驱动房价波动这三方面的研究资料，从中整理和归纳出研究成果，更加透彻地了解研究现状；发现并剖析当前的研究热点以及不足之处，从而找到写作的切入点；分析并总结文献的研究思路与方法，更加准确地掌握并选取论文的研究技术与工具。（2）理论与实证分析相结合。首先，本文在相关文献回顾、湖景房价值评估原理与方法的分析、特征价格法与BP神经网络结合的可行性与优越性分析等方面进行了大量的理论分析，从而构建了较为清晰的理论框架，为实证分析提供了依据与支撑；其次，在实证部分，以苏州市独墅湖周边的湖景房为例进行批量评估，得到了合理的评估结论和有效的评估方法。（3）比较研究法。本文多次使用了比较研究法，首先，在分析BP神经网络与特征价格法结合的可行性与优越性时，将BP神经网络算法与传统特征价格模型的估计方法——最小二乘法进行了对比。其次，在实证研究中，运用基于BP神经网络的特征价格评估法与传统的特征价格法建立苏州湖景房评估模型，分别评估7\n基于改进特征价格法的湖景房价值评估研究10组测试样本，计算并对比评估的误差率，从而验证了基于BP神经网络的特征价格评估法是否具有优越性。1.4论文的创新之处本文对湖景房价值评估原理与方法进行了探讨，以苏州独墅湖周边的湖景房为评估对象，建立了基于BP神经网络的改进特征价格评估模型。本文的主要创新点如下：第一，基于BP神经网络对传统特征价格法的改进。本文分析并验证了神经网络与特征价格法相结合的可行性与优越性，运用BP神经网络对传统特征价格法进行改进，并建立了改进的特征价格评估模型，丰富了房地产评估方法体系。第二，批量评估了湖景房的价值。国内外以湖景房为评估对象的实例并不丰富，本文分别采用基于BP神经网络的改进特征价格法与传统特征价格法对苏州湖景房进行批量评估，建立了湖景房评估模型，从而为湖景房的投资、开发与购买行为提供参考。第三，进行了沿湖对房地产价值的影响分析。国内外很少以是否沿湖作为分界线考察房地产价值，且少量的研究也仅是对回归过程所产生的系数进行解释。本文针对沿湖与房地产价值的内在影响关系进行了定性分析，同时又围绕沿湖对房价的影响进行了数量刻画，更科学地得出了沿湖带来湖景房溢价的结论。8\n山西财经大学硕士学位论文第2章湖景房价值评估的原理与方法2.1沿湖对房地产价值的影响分析假设其他条件相同，沿湖与不沿湖房地产的价值显然有很大差异，一般来讲，沿湖房地产的价值更高。以下具体解析了沿湖对房地产价值的影响。第一，沿湖地区有优质的生态环境质量，有利于提高居住的舒适性。随着城市化进程的不断加快，环境问题更为突出，生态环境日益恶劣，人们慢慢意识到了改善生态环境质量的重要性[63]。沿湖地区拥有独特的天然环境资源，优美的湖景是城市生态景观系统的重要构成部分，不仅有着观赏价值，带给人愉悦感，美化着城市，而且湖泊可以调节气候，改善空气环境质量。靠近湖景的居住区，能够更加便捷地享受湖泊的生态价值，享受依水而居的舒适环境，享受轻松自在的生活氛围，使人心旷神怡，这些结合起来形成了居住的适宜性。第二，人们的住宅需求逐渐改变，更加注重环境属性。根据马斯洛的需求层次理论，人的需求之间存在先后的递进关系。随着社会经济水平不断提升，人们不再一味地追求物质方面的满足，而是更加重视生活品质；同时环境污染、气候变暖等社会问题的出现，也促使人们环境意识的增强。在住宅需求方面，人们更加关注环境属性，逐渐提升对居住环境的要求。居住环境作为人类生活的重要条件，人们愿意花费相对高额的费用来享受良好的居住环境，追求更舒适的环境享受，因此更加青睐眦邻景观的住宅。城市湖景在改善人居环境方面的社会功能逐渐地引起人们的重视，因此人们对湖景房的需求也越来越高。第三，开发商意识到绿色营销策略的重要性，湖景房成为开发热点。随着人们住宅需求的变化，开发商逐渐开始注重住宅产品的生态环境，将自然资源丰富的地方作为开发热点。针对人们对居住环境的重视，开发商开始制定以生态环境为导向的绿色营销策略，以此来吸引购房者，适销对路，提升销量。城市湖景房眦邻湖景，具有享受自然生态环境的功能，符合开发商绿色营销的策略，由此引来许多开发商在沿湖地区进行湖景房开发。9\n基于改进特征价格法的湖景房价值评估研究第四，沿湖有利于提升房地产价值。通过以上分析，在如今环境问题凸显的背景下，购房者与供应商均将住房环境作为重要考虑因素，在此基础上，城市湖景房满足了二者的要求，供需齐升，房地产价值升高。图2-1是沿湖对房地产价值的影响原理图。可见沿湖这一因素带来了住宅溢价，这一部分住宅溢价是由于景观带来居住的舒适性而产生的隐含经济价值，运用特征价格法可以测量这一隐含价值。环境问题人们对住宅愈加凸显品质的需求湖景房价值升高沿湖带来住宅溢价沿湖地区的湖景房的优质生态环境开发与供应图2-1沿湖对房地产价值的影响图2.2湖景房价值评估方法的选择2.2.1三大传统评估方法的适用性分析市场法、收益法与成本法，这三大传统评估方法理论成熟，操作规范比较完整，是房地产评估实践中最广泛使用的方法。现对其进行简要介绍与对比（见表2-1），分析对湖景房价值评估的适用性。本文旨在评估湖景房价值，由于湖景房不属于收益性房地产，不在收益法的适用范围之内，因此首先排除收益法；由于湖景房市场活跃，因此市场法是适用的；通过搜集资料，在对湖景房房源详细了解的基础上，可以计算出各项建造费用及贬值率，因此成本法也是适用的。但是在市场法的因素修正过程以及成本法的贬值率确定过程中存在不可避免的主观因素，影响着房地产评估结果的准确性。10\n山西财经大学硕士学位论文表2-1三大传统评估方法对比市场法收益法成本法理论依据替代原理预期原理生产费用价值论基本思路将被评估房地产与近期预测被评估房地产值未重置被评估房地产，在完成交易的类似房地产来若干年的净收益，运估测其重置成本的基进行比较，对其交易价用还原率将其折算为现础上，扣除各项贬值。格进行各项修正。值。基本公式被评估房地产价值被评估房地产价值新建的房地产价值可比交易实例价值nR土地取得费开发成i交易情况修正交易i；本管理费用利息i1(1r)日期修正区域因素其中R为第i年的净收销售税费利润i修正个别因素修正旧有的房地产价值益，r为还原率，n为重置成本-年贬值额收益年限已使用年限适用范围发达、活跃或完善的房收益性房地产无法使用市场法、收益地产市场法的情况关键找到足够的可比实例；确定房地产的净收益和确定各项合理且必要因素修正还原利率的建造费用；合理确定贬值率或折旧率资料来源：笔者根据《资产评估基础》相关内容整理而得2.2.2特征价格法的适用性分析特征价格法目前已成为房地产评估领域中应用极为广泛的一种方法，该方法的关键是分析房价的影响因素、选取特征变量并确定量化方法、建立特征变量数据库。特征价格法适用于评估异质品价格，不动产是一种异质性商品，因此特征价格法广泛应用于不动产评估[64]，对于本文湖景房的价值评估自然可以选用该方法。2.2.3本文湖景房价值评估方法的确定综上所述，市场法、成本法与特征价格法都适用于湖景房价值评估，现在对比三者的优缺点，择优而取。首先，市场法的关键是选取可比案例并进行因素修正，但是由于缺乏理论依据，这两个步骤中都存在不可避免的主观因素，不同评估人员由于主观判断能力与评估经验的差别，对于同一评估对象所选取的可比案例、进行的因素修正也会产生差异，影响着评估结果的准确性；而且，最终计算评估价格时，往往忽视了对可比案例与被评估案例的相似度考量，直接采用简单的算数平均法或加权平均11\n基于改进特征价格法的湖景房价值评估研究法，使评估结果的可靠性降低。其次，在成本法的运用中折旧率的确定是关键，但是在实际操作中往往需要评估人员结合理论知识与实践经验来估测，因此对评估人员的要求比较高，评估结果也存在很大的主观因素。此外，运用成本法对不动产进行评估，主要从会计角度考虑了成本与贬值问题，从而忽视了房地产效用产生的价值以及外部环境带来的影响，使评估值与实际值偏离。假设其他因素不变，当房地产所带来的效用远远大于或小于所投入的成本时，运用成本法将低估或高估房地产价值；当外部的环境水平有所提升或下降，房地产价值也会随发生增值或贬值的变化，这些都是成本法考虑不到的。最后，特征价格法的运用中，避免了市场法中的可比案例选取、因素修正以及成本法中的贬值率确定等环节，取而代之的是进行大量数据的搜集，以及运用数据分析软件进行模型的拟合与构建，因此在很大程度上能够克服评估人员的主观随意性；此外特征价格法考察了房地产效用产生的价值以及外部环境的影响，从而弥补了成本法的缺陷，提高了评估结果的准确性。因此，特征价格法可以避免市场法与成本法中的缺陷，有利于获得更准确的评估结果。虽然传统的特征价格法在运用中也存在一些不足，例如函数形式的确定缺乏依据、不能处理非线性问题等，但是本文引入了BP神经网络算法，对传统特征价格法进行改进研究，因此本文选用基于BP神经网络算法的特征价格评估法与传统特征价格法进行湖景房价值评估，后者的评估结果主要起参照作用，可用于验证BP神经网络算法对传统特征价格法的改进效果。12\n山西财经大学硕士学位论文第3章基于BP神经网络算法的特征价格评估法3.1特征价格法概述特征价格法（Hedonic模型法），是一种房地产批量评估方法。该方法认为，房地产有众多不同的特征，而这些特征所带给人的效用共同决定了房地产的价格。特征是指房地产的各种属性，不同房地产有不同的属性，因此房地产存在异质性；特征价格，又称隐含价格，用来衡量房地产各个特征带给人的效用，因此房地产价格由特征价格决定。每个特征都有相应的特征价格或隐含价格，因此房地产价格可以看成其各个特征的隐含价格的集合。特征价格法的实质是从房地产的异质性出发，分析并量化房地产的众多特征，运用市场交易数据，构建反映特征与房价关系的特征价格模型，估计出众多特征的隐含价格。3.1.1理论基础特征价格法的理论基础是Lancaster的新消费者理论与Rosen的市场均衡理论。（1）新消费者理论1966年美国学者Lancaster提出的新消费者理论认为，人们消费商品的目的是为了获取某种物质或服务，而不是商品本身；人们愿意为一件商品所支付的价格由人们能够从商品的属性或特征中获得的享受程度所决定。也就是说，人们对商品的需求不在于商品本身，而在于商品所包含的属性或特征。各个特征都有相应的特征价格或隐含价格，它们形成一个价格结构，成为商品总价格的决定因素。（2）市场均衡理论1974年Rosen提出的市场均衡理论以消费者的效用最大化与生产者的利润最大化为目标，对完全竞争条件下，异质性产品市场上存在的短期均衡与长期均衡进行了分析，为特征价格模型的建立与估计奠定基础。根据市场均衡理论，运用计量经济学方法将特征价格从产品总价格中分离出来，通过分析产品的特征价格与人们对产品特征的需求，能够更好地分析产品价格与需求的关系。13\n基于改进特征价格法的湖景房价值评估研究3.1.2模型的形式一个住宅单元的价格由众多特征所对应的价格构成，基于房价的三大基本影响因素——建筑结构因素、区位因素与邻里环境因素，特征价格模型最基本的形式为：Pf(S,L,N,)其中，P：价格；S：建筑结构特征；L：区位特征；N：邻里环境特征。目前在特征价格模型的实证运用中，最常采用线性、对数与半对数函数形式。（1）线性函数。线性函数是最简单的函数形式，自变量与因变量均是线性形式，其公式为：PC0CiXi其中，P：价格；C：常数项；C：特征变量对应的特征价格系数；X：特0ii征变量；：误差项。以下同。该函数的回归系数代表其相应特征的隐含价格。（2）对数函数。对数函数中，自变量与因变量均是对数形式，其公式为：lnPC0CilnXi该函数的回归系数代表特征的价格弹性。（3）半对数函数。半对数函数中，自变量是线性形式，但是因变量是对数形式，其公式为：lnPC0CiXi该函数的回归系数代表当特征变量变动一个单位，所导致的特征价格的相对变化量（即变化率）。3.1.3模型的估计与检验（1）模型的估计传统特征价格模型主要采用最小二乘法进行估计。最小二乘法广泛应用于曲线拟合，通过拟合出距所给数据点最近的一条曲线，寻求与所给数据最相匹配的函数，从而反映数据的规律与总体趋势。它是通过最小化误差平方和对回归模型14\n山西财经大学硕士学位论文进行参数估计，具有线性、无偏性、最小方差性的特点。为了运用最小二乘法进行有效的估计，模型需要满足一些基本假定，例如随机扰动项具有零均值、解释变量与随机扰动项同方差、随机扰动项无自相关、解释变量与随机扰动项不相关、随机扰动项具有正态性等。（2）模型的检验对多元回归形成的方程，我们可以通过一系列的检验，来判断该模型是否可以采纳。模型的估计与检验可通过SPSS或Eviews软件进行。一方面，要进行经济意义上的检验。通过肉眼判断方程各系数的符号、大小是否符合理论预期，从而判断各参数的估计量是否在经济意义上具有合理性。另一方面，要进行统计学以及计量经济学上的检验，检验的主要内容包括：模型总体的拟合优度检验。该检验结果由可决系数R2度量，R²的值越接近1，说明实际值与观测值越接近，该模型的拟合效果越好。回归方程的显著性检验。根据方差分析结果，若显著性检验值（P值）小于显著性水平（0.01或0.05），则说明方程显著；否则，说明方程不显著，没有统计学意义。变量的显著性检验。根据t检验结果，分析各变量的系数是否处于显著状态，若显著，说明该自变量对因变量有显著的影响，可以进入模型；若不显著，则说明该自变量对因变量的影响不明显或能够被其他变量所代替，应当从回归方程中剔除，不可进入模型。序列的相关性检验。序列相关性往往由于模型设定偏误或者省略了一些带有自相关的次要变量而产生。序列相关性的存在会造成参数估计量非有效，随机误差项方差估计量有偏，上述各项检验无效，模型的预测失效。因此需要进行序列的相关性检验，主要方法包括：图示法、杜宾-瓦特森检验法、冯诺曼比检验法等。若检验不通过，可以采用广义最小二乘法、广义差分法、稳健标准误法以及对随机误差项相关系数的估计等方法处理。异方差检验。方差齐性是普通最小二乘法的前提，异方差的存在会导致该方法法失效。可以采用图示法、G.Q.检验法、White检验法等进行异方差的检验，若存在异方差，可以采用加权最小二乘法或异方差稳健标准误法进行修正。多重共线性检验。多重共线性是指自变量之间出现了高度的线性相关。这将15\n基于改进特征价格法的湖景房价值评估研究影响参数估计量的存在性、合理性与有效性，造成变量的显著性检验失效，导致模型的预测失效等后果。可以通过方差膨胀因子VIF的值来判断多重共线性是否存在。若VIF大于10，则表明有多重共线性存在，可采用以下几种方法解决：增加样本容量、逐步回归法、对样本数据进行差分处理或岭回归法。残差正态性检验。回归分析时，自变量与因变量的相关关系在特定的中间值位置出现的概率应该相对较大，在其余数值对应的位置出现的概率则相对较小，所以残差应符合正态分布。可以采用直方图、百分位数图（pp图）、Jarque-Bera检验等方法进行残差的正态性检验。若残差不通过正态性检验，可以通过增加样本或去掉离群值等方法解决。3.2BP神经网络3.2.1BP神经网络的概念人工神经网络（ANN）是现代人工智能领域的重要分支，也是现代人工智能研究的重要工具。人脑中存在复杂的组织结构和运行机制，人工神经网络在理解与抽象人脑信息处理功能的基础上，建立起某种简化的模型，模拟人脑复杂的神经元网络与思维方式[65]。人工神经网络主要有非线性映射、知识获取与表示、模式识别、分类与聚类、优化计算等功能。按照不同的神经元连接方式可以形成不同的网络，因此人工神经网络有多种类型，常用的有两种分类方法：第一，按照信息的传导方向可以分为前馈型网络和反馈型网络；第二，按照网络的拓扑结构可以分为层次型结构和互联型结构。BP神经网络，又称误差反向传播神经网络，属于一种多层的前馈型网络，在医学领域、材料领域、工程领域、经济学领域等各个领域都有极为广泛的应用。BP神经网络是人工神经网络体系的精髓部分，是前馈型网络的核心部分，是目前应用最广泛的神经网络之一[66]，它的一般特点可以概括为以下几点：（1）自学习与自适应性。BP神经网络在训练时，能通过学习大量的输入数据与期望输出数据组成的数据集，自动提取输入数据与期望输出数据之间“合理的”映射关系，进行网络权值的调整，即具有自学习能力；当BP网络被输入新的训练样本时，网络会重新建立映射关系，提取新的求解规则，即具有自适应能力。16\n山西财经大学硕士学位论文（2）非线性映射性。BP神经网络能够在事前未确定任何映射关系的情况下，通过存贮和学习大量输入-输出模式的数据，模拟出输入数据与输出数据之间的复杂映射关系。根据Kolrnogorov定理，一个3层BP神经网络能够逼近任意的非线性函数，从而实现任何复杂的非线性映射。（3）容错性。由于BP神经网络对信息进行分布式贮存，采用整体式逼近的方式进行训练，因此当训练数据存在局部破坏时，BP神经网络全局的训练结果并不会产生很大影响。个别样本的误差不会影响整个网络的特性，即网络具有较好的容错性。（4）并行性。BP神经网络在处理数据时，每个神经元均处于独立的工作状态，同一层的多个神经元可以同时运算，快速传递给下一层的神经元，因此极大地提高了网络的运算速率。3.2.2BP神经网络的基本结构（1）神经元神经元是人工神经网络最基本的构造单元，其结构模型如图3-1所示。x1w1x2w2yffwnxn图3-1神经元结构模型由此可见，神经元是一个具有多重输入与单一输出的非线性处理结构。假设xir为神经元输入，y为神经元输出，则有yf(wixi)。其中wi代表神经元各个i1突触的权值，是神经元之间的连接权值；f代表传递函数，对输入信号进行激活，进而转化为输出；代表阈值，是对输入输出信号设置的最值。（2）BP神经网络的层次构成BP神经网络由一个输入层、若干隐藏层以及一个输出层组成，如图3-2所示：17\n基于改进特征价格法的湖景房价值评估研究y1x2y2xn输入层隐藏层输出层图3-2BP神经网络结构输入层的功能是进行信号的输入；隐藏层与输出层代表并行神经元集合，对输入层输入的信号进行转化与输出。隐藏层与输出层的节点代表神经元，每一个神经元都有一个阈值，神经元之间通过权值进行连接。信号x依次通过输入层、i隐藏层与输出层，输出最终的结果y。i3.2.3BP神经网络的学习规则BP神经网络的实现归因于BP神经网络算法的产生。BP神经网络算法是一种有监督学习的双向算法，主要包括两个过程：输入信号的前向（正向）传播与误差信号的反向传播。正向传播时，输入信号首先由输入层进入网络，其次通过若干个隐藏层与输出层，最终得到相应的实际输出值。正向传播完成后，根据实际输出值与期望输出值，计算输出层的误差，如果没有达到期望的误差，则开始误差信号的反向传播流程，从输出层的总误差开始，一层一层按原路径反传误差，并且使每一层作出权值与阈值的相应调整。通过这两个过程的交替进行（如图3-3），网络权值与阈值不断更新，直到实际输出与期望输出之间的误差达到预期精度，此时网络达到收敛，训练结束。18\n山西财经大学硕士学位论文网络初始化输入样本数据隐藏层输出计算输出层输出计算误差计算权值更新阈值更新No判断误差是否达到预期精度Yes训练结束图3-3BP神经网络训练过程现在以3层神经网络为例，进行BP算法推导，介绍信号的正向传播与误差的反向传播这两个过程中的计算原理。（1）信号的正向传播假设有输入层有m个节点，x表示从第i个节点输入的信号；隐藏层有a个节i点，为隐藏层第j个节点的阈值，f为隐藏层节点的激活函数；输出层有n个节j1点；k为输出层第k个节点的阈值，f2为输出层节点的激活函数；wij为第i个输入层节点到第j个隐藏层节点的权值，v为第j个隐藏层节点到第k个输出层节点的jk权值。那么，m隐藏层第j个节点的输出为：yj=f1(wijxij)i1a输出层第k个节点的输出为：yk=f2(vjkyjk)j119\n基于改进特征价格法的湖景房价值评估研究（2）误差信号的反向传播假设输入P个学习样本，输出层第k个节点的期望输出为T，运用平方型误kn差函数，则每个（第p个）样本的误差为1pp2，对于P个学习样Ep(Tkyk)2k1PnP1pp本的总误差为E(Tky)Ep。2kp1k1p1若误差不能满足要求的精度，则要进行误差信号的反向传播，根据误差对各层的权值与阈值进行修正。运用累计误差BP算法调整权值与阈值，结果如下：ppE输出层权值的调整：vE(E)(p)jkpvjkvjkp1p1vjk其中，为学习效率。定义误差信号为：EpEpykykSySkkkE1nn，yk'()其中，p(tpyp)2(tpyp)fSkkkkS2kykyk2k1k1kn因此，(tpyp)f'(S)ykkk2kk1EESn由链定理得：ppky(tpyp)f'(S)yykjkk2kjvjkSkvjkk1Pn因此，输出层权值的变化：pp'vjk(tkyk)f2(Sj)yjp1k1Pn同理可得，输出层阈值的变化：E(tpyp)f,kkk2kp1k1Pn隐藏层权值的变化：Epp,,wij(Tkyk)f2vjkf1xiwijp1k1Pn隐藏层阈值的变化：Epp,,j(Tkyk)f2vjkf1xijp1k1在MATLAB工具箱中，BP算法中的各项计算公式已被编成函数形式，因此不需要进行手动计算，而是通过书写语法来调用各项函数，即可方便地输出结果。3.3MATLAB对BP神经网络的实现BP神经网络是一个有着大量神经元协同运作的系统，结构复杂。BP神经网络算法是一个根据预期误差精度，不断调整权值与阈值，从而建立输入-输出的合理映射关系的过程。因此，若根据计算原理手动进行计算，对BP神经网络完成训练需要花费大量的时间与精力。MATLAB作为三大数学软件之一，为算法开发、20\n山西财经大学硕士学位论文数值分析、科学数据可视化等提供了高科技计算环境，具有高效、可视化、简单易用等优点。因此，使用MATLAB软件，调用MATLAB神经网络工具箱进行BP神经网络的训练，可大大节省操作时间，高效便捷。3.3.1MATLAB实现BP神经网络算法的步骤运用MATLAB实现BP神经网络算法，需要在命令行窗口输入代码，进行一系列操作。现介绍其基本步骤，并以MATLAB2014a版本为例，列举相关语句的语法及参数设置。（1）读取样本数据。运用xlsread或textread函数读取训练样本数据与测试样本数据，并将相应的样本数据赋给input与output。（2）数据归一化处理。数据归一化，就是将数据映射到-1~1、0~1甚至更小的范围内。在matlab中可以运用mapminmax、premnmx、postmnmx、tramnmx等函数进行归一化处理。以mapminmax为例，将输入样本数据与期望输出样本数据进行归一化处理，其语法为：[inputn,inputps]=mapminmax(X)，[outputn,outputps]=mapminmax(Y)其中X、Y分别为待归一化的输入、输出样本数据矩阵，inputn、outputn分别为X、Y按行归一化后的返回矩阵，inputps、outputps为进行归一化时所用的参数。（3）初始化权值与阈值并构建网络。init命令用于初始化神经网络的权重与阈值，但是运用newff函数创建前馈网络时，可以自动调用初始化函数。运用newff函数创建前馈网络的语法为：net=newff(inputn,outputn,[S1,S2,…,SN],{'T1','T2'…，'TN'},'F')其中，[S1S2…SN]为各层的节点数，即神经元个数；{'T1','T2'…，'TN'}为各层的激活函数；F为学习规则采用的训练算法函数。如果之后需要重新初始化或自定义初始化权值与阈值，则需要调用initwb或initnw函数。（4）设置训练参数。例如一般情况设置神经网络训练的目标误差为0.00004、最大迭代次数为1500、学习率为0.1，其语法为：net.trainParam.epochs=1500;21\n基于改进特征价格法的湖景房价值评估研究net.trainParam.lr=0.1;net.trainParam.goal=0.00004;（5）训练网络。运用网络训练学习函数train，开始训练。其语法为：net=train(net,inputn,outputn);（6）训练结束后，将测试数据进行归一化处理，方法同上。（7）仿真。运用sim函数，将测试数据输入到网络中等待输出。其语法为：O=sim(net,I)，其中I为归一化之后的测试数据，O为通过该网络输出的数据。（8）输出结果的反归一化处理。其语法为:out=mapminmax('reverse',O,outputps)。3.3.2网络训练效果的优化在训练网络这一过程中，通过改变一些参数可以达到不同的训练效果，运用样本数据进行多次训练，从中选择训练效果最优的网络。本文采取控制变量法，其余参数采取默认设置，依次改变隐藏层节点数与训练算法函数。首先，对于隐藏层节点数的设定，目前还没有明确的理论与方法，因此需要根据经验进行设定并反复比较。其次，对于训练方法函数的设定，网络默认设置为Levenberg-Marquardt的BP算法（trainlm函数），可以依次设置其他算法对应的训练函数，例如有动量的梯度下降法（traingdm函数）、拟牛顿算法（trainbfg函数）、自适应lr梯度下降法（traingda函数）、量化共轭梯度法（trainscg函数）、弹性梯度下降法（trainrp函数）等，对比各训练效果，择优而选。3.4BP神经网络与特征价格法结合的可行性与优越性分析3.4.1BP神经网络与特征价格法结合的可行性运用传统特征价格法进行房地产评估，是在分析众多房地产影响因素、选取特征变量及对应房价因变量的基础上，以最小二乘法为估计手段，进行多元回归，拟合出房价与特征变量的回归方程，从而建立评估模型。BP神经网络算法以多维数据为研究对象，在读取多维输入数据与期望输出数据之后，通过自身训练，学习某种规则，得到使实际输出值最接近期望输出值的结果，因此训练完成的神经22\n山西财经大学硕士学位论文网络，可以实现从输入数据到输出数据的映射关系。对比最小二乘法与BP神经网络算法，其共同点是：在已知众多解释变量与被解释变量数据的基础上，估计出解释变量与被解释变量之间的映射关系。假设自变量为X(x,x,,x)，因变量为Y(y,y,,y)，运用最小二乘法得到的是可12n12n以用数学函数表达的回归方程：Yf(X)；运用BP神经网络算法得到的是从X到Y的一种映射关系，这种映射关系不能用方程来表达，而是储存在训练好的神经网络中，具体表现为网络的拓扑结构。由特征价格理论可知，房地产效用的影响因素即是房价的影响变量（Lancaster），各影响因素可以用特征变量表示，作为房价的解释变量（自变量）。因此，无论运用回归方程还是BP神经网络都可以估计出特征变量与房价之间的关系，在特征价格法的运用中，可以将BP神经网络算法与最小二乘法进行替换。因此，BP神经网络与特征价格法的结合，本质上是BP神经网络算法对最小二乘法的取代。基于BP神经网络算法的特征价格法，是以特征价格理论为基础，以BP神经网络算法为分析或估计手段，通过将代表房价影响因素的特征变量输入网络，并训练出性能良好的网络，其网络拓扑结构即可反映特征变量与房价的映射关系。储存在网络拓扑结构中的映射关系可以作为房价的评估模型，只要将特征变量的数据输入网络，便可得出相应的房价评估值。3.4.2BP神经网络与特征价格法结合的优越性BP神经网络与特征价格法相结合，BP神经网络算法与最小二乘法相替换，评估房地产价格具有优越性，具体表现在以下几方面。（1）为处理非线性多变量关系提供了可能，有利于评估精确度的提高。目前房地产市场上房价影响因素众多，与房价之间存在错综复杂的关系，很难用线性关系来表示，而最小二乘法只能处理线性变量关系，如果在这种情况下仍使用最小二乘法，那么得出的函数关系必然不能准确地解释各影响因素与房价之间的关系，建立的房地产评估模型有效性低。运用BP神经网络算法，可以有效地解决非线性多变量的情况，解释房价与影响因素之间各种难以用函数所表达的复杂关系，有利于提高评估精确度。23\n基于改进特征价格法的湖景房价值评估研究（2）省去了传统特征价格法中的各项检验与修正步骤。在传统特征价格法中，运用最小二乘法进行回归方程的估计之后，需要进行一系列检验与修正，例如模型总体拟合优度的检验、回归方程及变量的显著性检验、序列的相关性检验以及异方差检验等，如果其中的某项检验不通过，则需要通过改变变量进入方式、剔除变量或者增加样本等方法进行修正，并且修正之后的回归效果仍然具有不确定性。而BP神经网络算法可以在设定目标误差率的基础上，通过训练网络实现任何复杂的非线性映射，可以通过改变部分参数，训练出不同的网络，最终选择性能最优的网络。相比而言，BP神经网络算法省去了传统特征价格法中的一些繁琐过程，减少了结果的不确定性。24\n山西财经大学硕士学位论文第4章苏州独墅湖湖景房评估研究4.1评估操作思路本文以湖景房为研究对象，运用改进的特征价格法评估苏州独墅湖周边的湖景房，并建立评估模型。为了验证基于BP神经网络算法的改进特征价格法对传统特征价格法的改进效果，本文以特征价格理论为基础，首先运用BP神经网络算法构建特征价格模型，辅以最小二乘法构建传统特征价格模型作为参照，最终对比两者的评估误差。具体研究思路如图4-1所示：确定评估对象——苏州独墅湖湖景房分析房价影响因素选择特征变量，确定量化方法运用MATLAB读取样本将数据导入SPSS或Eviews数据运用最小二乘法进行回归优化隐藏层节点数设置选择拟合度最优的函数形式优化训练函数的设置模型的修正与检验选择训练性能最佳的网建立最终的评估模型络作为评估模型测试评估误差测试评估误差对比评估误差图4-1本文实证思路25\n基于改进特征价格法的湖景房价值评估研究4.2评估对象概况独墅湖坐落于苏州市的姑苏区，湖水潋滟，景色优美。独墅湖总面积约11.52平方公里，是苏州地区较大的一个淡水湖（图4-2）。图4-2苏州独墅湖风景图独墅湖周边已实现商业-教育一站式水平，有着完善的配套设施（图4-3）。一方面，独墅湖周边有文星广场、翰林广场、圆融时代广场等大型购物广场满足日常的消费购物需求；有棒比翰披萨、ZEMO咖啡、秋季语寿司等美食满足人们的味蕾；有独墅湖影剧院、独墅湖图书馆、三客友密室逃脱工作室等文娱设施丰富人们的生活。另一方面，独墅湖区域作为苏州的“硅谷”，这里有东南大学苏州研究院、西交利物浦大学、中国人民大学苏州研究院等一大批高校，也有翰林幼儿园、星岛幼儿园、工业园区第八中学等学校，还有微软中国、苏州创意产业园、华为研究所等高新技术企业。美丽的湖景以及完善的配套设施使独墅湖周边成为居住良地，这里的湖景房各色各样，有独栋别墅，联排别墅，普通低层、中层、中高层和高层住宅。由于距湖滩位置的距离不同，湖景房有“一线”、“二线”和“三线”之分，本文选取独墅湖周边距湖远近不等的7个小区165个二手湖景房房源作为评估对象，建立评估模型，在评估湖景房的同时，考察距湖远近对房价的影响。26\n山西财经大学硕士学位论文图4-3苏州独墅湖周边的商业-教育配套4.3数据来源本文以独墅湖周边湖景房为研究对象，选取了7个小区的165个房源作为研究样本，搜集了2017年12月份的各项交易数据。数据主要通过以下方式获取：（1）网络搜集。首先，通过在搜房网及安居客网站搜索二手房房源，大部分详细住房信息，例如房价、面积、楼龄、朝向、容积率、楼层、建筑类型、户型、装修情况、物业评级、绿化率均可获得。其次，对于周边配套设施以及涉及距离的变量，可以通过百度地图的搜索与测距功能获得。（2）电话问询与实地调查。搜房网以及安居客网站的每一个房源，都注有代理人电话，因此对于一些有疑问的房源信息，可以通过拨打代理人电话进行详细问询，也可以进行实地考察。27\n基于改进特征价格法的湖景房价值评估研究4.4房价影响因素分析影响房地产价格的因素很多，理论上如果特征价格模型的构建中包含了所有因素，才能准确全面地反映房地产价格。但是由于实际工作中无法获取并量化所有的因素，因此只能选取一些关键的影响因素。本文旨在建立湖景房估价模型，且选取的样本均是普通住宅，现结合评估对象具体分析房价的各项影响因素。4.4.1宏观因素社会因素、政策因素、经济因素等宏观因素的变化必然对房地产价格产生重大影响，并且牵引着整个房地产市场的价格波动。但是由于本文所选数据均处于同一时期，宏观因素的变化很小，对房地产价格的影响可忽略不计，所以不将其作为考虑重点。4.4.2建筑结构因素建筑结构因素是房地产价格的最直接的影响因素，是大部分购房者的首要考虑因素，象征着建筑的品质。一般包括以下几方面因素：（1）面积。住宅面积是影响住房价格的一个重要因素，因为住宅面积与建造成本成正比，往往住宅面积越大，建造成本越高，住房总价自然也越高；但是住房单价并不会随着面积的增加而一味的增加，因为综合考虑购房者的住房需求与支付能力，大部分房地产开发商会把100平米到120平米之间的住房设计为黄金户型，并安排在小区中间比较好的位置，住房单价也会增高。（2）装修情况。住宅的室内装修程度由低到高可以分为毛坯、简单装修、精装修、豪华装修四类，不同的装修程度会带给购房者不同的感受，影响购房的决定。往往装修越精致，越能带给人舒适的感受，并且可以节省日后的装修成本，因此房价单价越高，这样使得购房者在装修程度与房价之间权衡选择。（3）工程质量。良好的工程质量意味着房屋有较高的安全性与较长的实际使用年限，因此是提升房价的一个因素，而人们往往也愿意接受更高的房价来追求更好的居住品质。但是工程质量这一指标的专业性较强，相关资料较难收集，难以进行量化，所以本文不将其选为特征变量。28\n山西财经大学硕士学位论文（4）建筑类型。我国《民用建筑设计通则》（GB50352-2005）进行了住宅的建筑类型分类，其中3.1.2条指出，1~3层为低层住宅，4~6层为多层住宅，7~9为中高层住宅，10层及以上为高层住宅。《住宅设计规范》（GB50096-2011）规定了必须设置电梯的情形，其中6.4.1条指出，7层以上（包括7层）住宅的住户入口层楼面高于室外地面16m时，住宅内部必须设有电梯。因此，高层住宅相对低层住宅不仅能够获得更好的视野，而且享有电梯的便捷性，与此同时电梯增加了造价成本，综合来讲住宅层数越多，房价也越高。（5）楼层。对于同种建筑类型，不同楼层也带给住户不同的居住舒适度，由于最底层采光性不好，最顶层上下楼不便捷，因此最底层与最顶层往往不受到购房者的青睐，房价也偏低；对于不设置电梯的低层和多层住宅，中层位置最佳，单价最高，其余层数的单价逐渐降低；对于设置电梯的中高层和高层住宅，除了最顶层房价偏低，其余层数与房价呈现正相关。（6）朝向。朝向影响住宅的采光性，往往朝南或者南北通透都能使住宅自然明亮而温暖，提升居住体验，因此该朝向的房价更高。（7）户型。卧室越多、客厅越多或者卫生间越多，使住宅的可利用空间增大，因此房价往往也越高；至于各个房间相对位置的设计，由于每个人的需求不一样，因此没有统一的评价标准。（8）楼龄。楼龄是指建筑已经使用的年限。我国规定住宅的经济年限为70年，如果住宅的已使用年限越长，意味着剩余年限越短，建筑的完好程度越低，可能内部设计与设施也趋于陈旧，因此房价也会降低。4.4.3区位因素住宅的区位因素反映了住宅所处区域的通达性。由于住宅所在区域的不同，使得不同住宅所享受的道路交通、市政设施的便捷性产生差异，从而房价也不同。（1）道路等级与公共交通。城市道路有快速路、主干路、次干路、支路四个等级，房地产所在区域的道路等级越高，交通系统越完善，出行越通畅，住房单价也越高。购房者在购房时也会考虑住宅附近的公共交通条件，离公共交通站点越近或者公共交通线路数越多，则出行越便利，住房单价越高。（2）经济地理位置。住宅是否处于商服区或行政区，对房价影响很大。距离29\n基于改进特征价格法的湖景房价值评估研究市中心或者政府机关越近，说明该地段越繁华，可达性也越高，住房单价自然也越高。4.4.4邻里环境因素邻里环境指的是住宅周边的配套设施或资源，配套设施越完善，资源越优质，越会吸引购房者，住宅单价也越高。（1）容积率与绿化率。小区容积率越大，表明住宅层数或者楼体数量增加，会降低后排住宅的采光性，居民享受的空间也越小，并且这样会削弱土地的开发成本，因此房价越低。小区的绿化率越高，空气越新鲜，有提升房价的作用。（2）物业管理情况。小区物业管理的改善对房价有显著的提升作用[67]。优质的物业管理水平，有利于提升居民生活的安全度与舒适度，为居民的生活质量提供保障，因此能够提高住宅价格。（3）生活配套。生活配套设施主要包括住宅附近的餐饮、超市、医疗设施以及金融机构，这些都与居民的生活质量紧密相关。完善的生活配套设施，是吸引购房者的一个重要因素，因此能够有效地提升房价。（4）文娱设施。住宅附近的图书馆、艺术馆、电影院、KTV等文娱设施能够在丰富居民闲暇时间的同时，促进知识的汲取和人际关系的交往，不少购房者会考虑这一因素，因此这也是提升房价的一个因素。（5）教育配套。住宅一定范围内教育设施的完善程度，关系着居民子女的受教育条件，因此对房价有着重要影响。（6）离湖的距离。对于湖景房而言，离湖的距离是影响房价的关键因素。距湖越近，越有机会在家中观景或是以更短的时间到达湖边观景，并且能够享受到优质的空气质量，因此距湖越近，房价应该越高。4.5特征变量的选择与量化由于实际交易数据难以获取，而搜房网、安居客等专业房地产交易网站具有良好的影响力，并且能够对网站数据进行及时更新，网站数据具有一定的可靠性，因此本文选用网络上的住宅挂牌价格（元/m2）作为因变量。本文在分析房价影响因素的基础上，选取16个特征变量并制定量化标准，如30\n山西财经大学硕士学位论文表4-1所示。表4-1特征变量的量化标准特征变量变量符号量化标准预期符号面积（m2）X1实际数值不确定楼龄（年）X2实际数值-朝向X3虚拟赋值：南北通透或朝南，则赋值为1；+其余朝向赋值为0容积率X4实际数值-楼层占比X5无电梯房，楼层占比=｜该楼层数-中间层数｜/+总楼层数；有电梯房，楼层占比=该楼层数/总楼层数建筑类型X6分等级赋值。低层，多层，中高层，高层分别+赋值为1、2、3、4户型X7卧室、客厅、卫生间数量之和+装修情况X8分等级赋值：毛坯、简单装修、精装修、豪华+装修分别赋值为1、2、3、4生活配套X9小区门口500m以内的餐饮、超市、医疗设施+以及金融机构数量之和文娱设施X10小区门口1000m以内的图书馆、艺术馆、KTV、+棋牌社等文娱设施数量之和物业评级X11分等级赋值：搜房网上有小区物业管理水平的+五星级评级，一到五颗星分别赋值为1到5绿化率X12实际数值+ln距湖的距离（m）X13实际数值-教育配套X14小区1000m以内的学校数量+交通情况X15小区1000m以内的公交及地铁线路数量+ln距CBD的距离（m）X16实际数值-4.6建立基于BP神经网络算法的特征价格模型本文运用MATLAB2014a进行BP神经网络训练，通过优化网络参数设置，选择具有相对最佳训练效果的网络作为最终的估价模型，这样就构建了基于BP神经网络算法的特征价格模型。31\n基于改进特征价格法的湖景房价值评估研究4.6.1网络的初步训练本文运用样本数据进行训练，先初步设定隐藏层节点数为5，其余参数采取默认设置（3层网络，传递函数依次为对数S形转移函数logsig与线性函数purelin，训练函数为trainlm，目标误差为0.00004，最大迭代次数为1500，学习率为0.1，），所得结果如图4-4所示：资料来源：本图源于MATLAB输出图4-4网络初步训练效果由图4-4可见，网络能够在较短时间达到收敛，迭代次数（epoch）为11，当前的误差下降梯度值（gradient）为0.0183，处于较低水平，当前的均方误差（performance）为0.0075，也处于较低水平，说明初步训练的网络性能良好。32\n山西财经大学硕士学位论文4.6.2网络参数的优化（1）隐藏层节点数在BP神经网络中，隐藏层节点数的设置极为重要。如果隐藏层节点数太少，网络训练效果很差甚至根本不能完成训练；如果隐藏层节点数太多，会使网络结构变复杂，延长训练时间，还会导致训练中其他问题的出现。本文已将隐藏层节点数设置为5，其余参数采用默认设置，进行了初步训练。为了获得训练效果性能更佳的网络，本文在此基础上增加隐藏层节点数，依次将隐藏层节点数设置为10、15、20、25。但是每次训练时网络的权值和阈值都由系统进行随机初始化，导致每次训练结果都是不一样的，因此在操作中每设置好一次参数，要将网络重复训练5次进行综合考量，并保存训练好的网络。表4-2列出了每次训练得到的均方误与迭代次数，展现了不同网络的训练效果。从表4-2中可以看出，每次训练迭代次数相差不大，说明训练都能在短时间完成。均方误是判断网络性能的一个重要指标，当隐藏层节点数为15时，均方误的5次重复训练平均值最小，且出现了所有训练中最低的均方误0.00327。因此本文最终将隐藏层节点数设置为15。33\n基于改进特征价格法的湖景房价值评估研究表4-2不同隐藏层节点下的网络训练效果比较隐藏层节点数迭代次数均方误均方误的平均值110.00715120.01015150.007570.0109120.012280.017590.0097970.0093610100.009290.0088110.00845100.0071110.00399100.0032715100.00830.0046140.0036590.003890.0082580.009422090.008050.0078100.0075780.0057190.0071270.0056625110.009230.006990.0052160.00747资料来源：根据MATLAB输出的资料整理而得（以下同）（2）训练函数第3章介绍了BP神经网络中常用的训练函数，现基于本文的研究样本，设置隐藏层节点数位15，其余参数仍采取默认设置，比较不同训练函数下的网络性能，结果如表4-3所示：34\n山西财经大学硕士学位论文表4-3不同训练函数下的网络训练效果比较训练函数训练方法说明迭代次数均方误均方误的平均值160.0287150.0252trainbfg拟牛顿算法160.02060.02538180.0302230.022270.609140.119traingdm有动量的梯度下降法460.04660.3077130.15370.6111410.0334460.0719traingda自适应lr梯度下降法250.06650.0599510.0675470.06370.128110.0772traingdx自适应lr动量梯度下降法920.02830.0801340.0724460.0945230.0209500.0131trainrp弹性梯度下降法300.01870.0163340.014360.0147210.0239200.0241trainscg量化共轭梯度法170.03340.0275210.022170.0342110.00399120.00327Levenberg-Marquardt的BPtrainlm150.00830.0046算法120.0036580.003835\n基于改进特征价格法的湖景房价值评估研究从表4-3可以看出，运用Levenberg-Marquardt的BP算法进行5次重复训练后，出现了所有训练中的最小均方误，5次均方误的平均值最小，而且能够在短时间训练完成。因此最终的训练函数设置选择trainlm。综上所述，网络参数优化设置结果为：隐藏层节点数为15、训练函数为trainlm。在这个优化设置下的网络中，将5次训练中具有最低均方误的网络选为优化网络，作为最终的估价模型。4.6.3运行模型并测试误差现调用已保存的优化神经网络，随机选取10组样本进行评估，测试评估结果的误差率。（1）评估误差率分析通过对BP神经网络输出的预测误差率进行整理，得到图4-4与表4-5。资料来源：根据MATLAB输出的误差率数据由作者绘制图4-5BP神经网络的预测误差率由图4-5可以直观地看出，每个样本的测试误差率有所差别，但都位于[0.08,0.08]这个较小的区间内。测试误差率的波动是由测试样本选取的随机性以及36\n山西财经大学硕士学位论文样本的异质性造成，但误差率的波动范围并不大，这说明BP神经网络的输出结果具有合理性与有效性。根据表4-4可知，10组测试样本的平均误差率为0.035，处于较低水平，说明基于BP神经网络算法得到的估价模型具有良好的估价性能。表4-4BP神经网络的预测误差率实际住宅价格预测住宅价格样本序号误差误差率（万元/m2）（万元/m2）11.79781.7690-0.02880.01601957921.88421.94890.06470.03433818132.32432.48860.16430.07068794942.21622.0710-0.14520.06551755352.18752.0663-0.12120.05540571462.41172.3594-0.05230.02168594872.44312.3331-0.110.04502476482.54902.5324-0.01660.00651235892.02942.05390.02450.012072534102.16902.22680.05780.026648225平均误差率：0.035（2）评估价值分析随机抽取的10组测试样本分别来自三个小区，其中样本1-5来自小区A（距湖575米）、样本6-8来自小区B（距湖349米）、样本9-10来自小区C（距湖537米）。由表4-5可知，基于BP神经网络的特征价格模型得出的10组样本的评估值（单位：万元/m2）分别为：1.7690、1.9489、2.4886、2.071、2.0663、2.3594、2.3331、2.5324、2.0539、2.2268。以测试样本为基础分别计算3个小区的住宅均价，可以得出小区A的住宅均价为2.06876万元/m2、小区B的住宅均价为2.4083万元/m2、小区C的住宅均价为2.14035万元/m2，结合离湖的距离考虑，B小区距湖最近，住宅均价最高，A小区距湖最远，住宅均价也最低，由此可得，离湖的距离对房价的影响极为显著。4.7建立传统的特征价格模型为了验证BP神经网络对传统特征价格法的改进效果，探讨BP神经网络与特征价格法结合的优越性，本文运用最小二乘法进行回归分析，建立传统的特征价格模型，与基于BP神经网络的特征价格法做对比。37\n基于改进特征价格法的湖景房价值评估研究4.7.1模型形式的选择第3章提到，传统特征价格模型有三种常见的函数形式，分别为线性函数、对数函数以及半对数函数形式。由于对数函数形式要求自变量、因变量均为连续变量，且不为0，但是本文所选特征变量中“朝向”在虚拟赋值情况下，有0出现，因此排除对数函数形式。现在运用样本数据进行线性函数以及半对数函数形式的拟合优度检验以及回归方程的显著性检验，结果见表4-5：表4-5不同函数模型的拟合效果对比R2调整后的R2F线性函数0.790.77143.01半对数函数0.7610.7436.51资料来源：根据SPSS输出结果整理而得（以下同）通过对比，线性函数的R2、调整后的R2以及F值更大，说明线性函数的拟合效果更好，建立的回归方程更显著，因此本文选用线性函数的形式建立传统特征价格模型。4.7.2模型的估计与检验（1）初步回归分析运用SPSS软件，首先选用默认的“进入”方式进行模型的回归分析，该模型未通过共线性检验，如表4-6所示。由表4-6可知，有13个变量初步进入模型，排除了X9（生活配套）、X10（文娱设施）、X15（交通线路），从样本数据可以发现，每个小区周边的生活配套、文娱设施都比较完善，公共交通线路多，出行便利，因此这三项都能够充分满足居民的需求，对房价的影响不大。通过共线性统计资料可知，许多项VIF值远大于10，说明模型中存在多重共线性问题。因此，该模型需要进行修正，解决多重共线性的问题。38\n山西财经大学硕士学位论文表4-6部分检验结果（“进入”方式）进入模型的变量允差VIF（constant）X10.253.994X20.128.323X30.9551.047X40.01566.941X50.8971.114X60.01854.589X70.1955.12X80.7611.314X110.0195.498X120.01567.356X130.05318.714X140.01760.269X160.04820.932（2）多重共线性修正——向后逐步回归法为了解决多重共线性问题，本文采取向后逐步回归的方法进行变量的筛选与剔除，重新建立模型并进行检验。部分检验结果如表4-8所示：表4-7模型拟合效果、序列相关性检验与方差分析结果（向后逐步回归法）RR2调整后的R2Durbin-WatsonFsig0.8860.7850.7771.82694.9920.000模型总体拟合优度的检验由表4-7可知，调整后的R2为0.785，说明该模型拟合效果良好，所建立的回归方程对因变量有一定的解释能力。回归方程的显著性检验由表4-7可知，方差分析的显著性系数F为94.992，其对应的显著性检验值为0.00，远低于显著性水平0.01。说明因变量（住宅价格）与自变量（特征变量）之间有着显著的线性关系，该回归方程具有统计学意义。序列相关性检验由表4-7可知，DW统计量为1.826，查询DW统计量临界值表可得，DW＞dU，说明残差序列的自相关程度不高。39\n基于改进特征价格法的湖景房价值评估研究表4-8变量的显著性检验与共线性检验结果（向后逐步回归法）非标准化系数标准化系数共线性统计TSigB标准误差Beta允差VIF（常数）3.310.3339.9430X10.0030.0010.2214.99700.7021.425X60.0680.0240.1662.8260.0050.3972.519X80.0750.0190.1623.95700.8221.216X110.2230.0450.3094.94900.3542.823X13-0.50.027-0.93-18.39800.5391.856X140.0240.0030.3727.3900.5421.844变量的显著性检验由表4-8可见，经过向后逐步回归之后，有6个变量进入方程，分别为面积（X1）、建筑类型（X6）、装修程度（X8）、物业水平（X11）、ln离湖的距离（X13）以及教育配套（X14）。t检验的显著性系数均小于0.01，说明这些自变量（特征变量）对因变量因变量（住宅价格）的影响显著。除了ln离湖的距离（X13）这一变量，其余变量的系数均为正，与预期基本相符。上文提到面积与房价的关系不是简单的正相关或负相关，往往100平方米到120平方米之间的住宅价格（单价）偏高，检查所搜集到的样本数据，165个样本中只有34个面积大于120平方米的样本，在剩余样本中，100平方米以上的房源一般要比100平方米以下的房源单价高，总体上可能出现面积与住宅价格（单价）呈正相关的情况。因此，该模型也通过了经济意义上的检验。共线性检验由共线性统计资料可得，变量的VIF值均小于10，说明运用向后逐步回归法之后，多重共线性问题已经消除。40\n山西财经大学硕士学位论文异方差检验图4-6残差散点图方差齐性是最小二乘法回归的前提。图4-6是SRESID与因变量预测值的散点图，可以看出残差呈随机分布，基本均匀分散在均值两边，说明模型中不存在异方差。残差正态性检验图4-7标准化残差的直方图41\n基于改进特征价格法的湖景房价值评估研究图4-8标准化残差的P-P图由图4-7可知，残差基本服从正态分布，由图4-8可知，所有残差散点分布在一条直线附近，说明残差的正态性假设成立。4.7.3回归方程的建立与分析综上所述，经过模型的检验与修正，最终的线性模型通过了所有检验，可用于本文住宅价格与其特征变量之间关系的研究，建立估价模型。（1）回归方程的建立根据未标准化系数可建立如下方程:Y=3.310+0.003X1+0.068X6+0.075X8+0.223X11-0.500X13+0.024X14各项系数代表相应特征变量的特征价格，代表各特征变量对因变量（住宅价格）值的影响。例如，在其他条件不变时，面积（X1）每增加1平方米，住宅价格增加0.003万元/平方米；建筑类型（X6）每提升一个级别，住宅价格增加0.068万元/平方米；装修程度（X8）每提升一个等级，住宅价格增加0.075万元/平方米；物业水平（X11）每上升一个星级，住宅价格增加0.223万元/平方米；ln离湖的距离（X13）每增加1米，住宅价格减少0.5万元/平方米；每多一个教育配置（X14），住宅价格增加0.024万元/平方米。42\n山西财经大学硕士学位论文（2）影响程度分析由于各特征变量的单位不一样，数据之间存在差异，因此在比较各特征变量之间的相对重要性时，不可以用未标准化系数进行判断。标准化系数消除了量纲影响，其绝对值可以体现自变量之间的相对重要性，因此各特征变量对住宅价格的影响程度从大到小（见表4-9）依次为：ln离湖的距离、教育配套、物业水平、面积、建筑类型、装修程度。表4-9特征变量的影响程度标准化系数变量符号特征变量影响程度排序0.93X13ln离湖的距离10.372X14教育配套20.309X11物业水平30.221X1面积40.166X6建筑类型50.162X8装修程度6由此可见，在本案例中，离湖的距离与苏州独墅湖周边湖景房价格的关系是最为明显的，这说明房地产商在定价时会把离湖的距离作为首要考虑因素，购房者选择住房时更加青睐离湖较近的一线湖景房。其次，教育配套和物业水平对房价的影响也较为明显，这说明人们在选择住房时对教育配套以及物业水平较为重视，为了解决子女的上学问题而追求更完善的教育配套设施，为了享受舒适的小区环境而追求优质的物业水平，因此房地产商在考虑购房者需求的基础上，定价时也更为关注这两方面；相比而言，面积对房价的影响程度一般，建筑类型与装修程度对房价的影响不明显，可见购房者对住房建筑类型与装修程度不太关注，房地产商在定价时也将二者置于次要地位。4.7.4模型的误差测试随机选取10个样本对模型进行误差测试，其结果如表4-10。表4-10传统特征价格模型的预测误差率实际住宅均价预测住宅均价样本序号误差误差率（万元/m2）（万元/m2）11.79782.08380.28600.159121.88422.10180.21760.115532.32432.49880.17450.075142.21622.22480.00860.003943\n基于改进特征价格法的湖景房价值评估研究52.18752.22780.04030.018462.41172.43750.02580.010772.44312.49070.04760.019582.5492.66050.11150.043892.02942.10700.07760.0382102.1692.25360.08460.0390平均误差率：0.052由表4-10可见，每个样本的测试误差有所差别，但平均误差率为0.052，处于较低水平，说明该估价模型也具有良好的性能。4.8两种评估方法对比4.8.1评估误差率对比对比传统特征价格模型与基于BP神经网络算法的特征价格模型的测试误差率，得到表4-11：表4-11误差率对比表平均值极差方差传统特征价格模型0.0520.15520.002518493基于BP网络的特征价格模型0.0350.06420.000466523资料来源：根据4-5与表4-10整理而得由表4-11可以看出，基于BP网络的特征价格模型有更低的误差率平均值、更小的极差、更小的方差，说明该模型的估价误差率更低，且更稳定，具有更高的估价精确度，比传统特征价格模型的估价误差率大约低1.7个百分点。因此运用BP神经网络算法可以提高特征价格法的评估精度，对传统特征价格法具有改进作用。4.8.2评估操作对比基于BP神经网络的特征价格法，由于调用了MATLAB神经网络工具箱，融合了现代信息技术与人工智能方法，整个过程没有耗费很长时间，并且操作极为简便，只需要在MATLAB命令窗口编写命令即可完成网络的训练。基于最小二乘法的传统特征价格法，首先进行了不同函数模型的拟合效果对比，这就需要在SPSS44\n山西财经大学硕士学位论文或Eviews中多次导入数据并进行分析；其次由于多重共线性检验不通过，因此进行了变量的筛选来修正模型，修正之后还进行了各项经济学与统计学方面的检验，这一过程操作繁琐，耗费时间，降低了评估的效率。因此，基于BP神经网络的特征价格法更加操作便捷，更加适用于房地产评估实践，有助于提升房地产评估的效率。4.9实证模型的应用由于本案例的湖景房评估模型是基于研究区域的数据所建立的，因此该模型适用于苏州市独墅湖周边湖景房的评估，为独墅湖周边湖景房未来的价值预测提供参考，为独墅湖周边未来的空间决策能够提供重要依据。由于空间的限制，若使用该模型评估类似地区的相关湖景房，则具有不可避免的偏差，但也能够作为经验值提供参考。45\n基于改进特征价格法的湖景房价值评估研究第5章结论与展望5.1主要研究结论本文对湖景房价值的评估原理与方法进行了探讨，并选用特征价格法为最适宜的湖景房评估方法。但是传统特征价格法在实际操作中存在着一些问题，因此本文引入了基于BP神经网络的改进特征价格法，首先从理论上分析了该方法的可行性与优越性，其次以苏州独墅湖周边的湖景房为评估对象，分别用该方法与传统的特征价格法进行评估，建立评估模型，通过对比评估误差与评估过程，对两种方法进行评价。本文的主要研究结论如下：（1）沿湖对湖景房价值具有重要影响，构建湖景房评估模型具有重要意义。湖景房因其独特的位置而成为独特的住宅类型，通过对比距湖远近不同的湖景房价格，发现离湖越近，湖景房价格越高，并且这种影响极其显著，因此“离湖的距离”这一变量具有重要性。将湖景房这一住宅类型进行单独评估，选取与之相适应的特征变量，构建湖景房价值评估模型，有利于湖景房的准确评估，从而为开发商与购房者提供科学的决策依据。（2）相比传统特征价格法，基于BP神经网络的特征价格法具有更便捷的操作性。实证分析过程中，传统特征价格法的实现需要进行一系列繁琐的操作：对比选择最优拟合效果的函数形式。这一过程需要对样本数据进行处理，例如对因变量或自变量取对数处理，并将数据多次输入软件进行回归；模型的修正与检验。模型需要通过多方面检验，在不通过的情况下需要采取各种操作进行修正。相比而言，整个BP神经网络算法的实现通过MATLAB神经网络工具箱完成，操作便捷，可以通过反复训练或改变网络参数的设置选取训练效果良好的网络，作为最终的评估模型。（3）相比传统特征价格法，基于BP神经网络算法的特征价格法具有更高的评估精度。向两种方法建立的特征价格模型输入相同的测试样本数据，比较测试结果的误差率，发现基于BP神经网络算法的特征价格法具有较低和较稳定的误差率，具有更高的评估精度。因此，基于BP神经网络算法的特征价格法具有可行性与优越46\n山西财经大学硕士学位论文性，是对传统特征价格法的改进，为房地产评估提供了一种将现代信息技术融于房地产经济学的新思路和方法。5.2未来研究展望本文在研究中存在以下不足，在未来的研究中期望做出改进。（1）由于实际成交案例的搜集比较困难，因此本文实证分析所选取的房价均价为网上二手房的挂牌价。挂牌价与真实交易所产生的价格存在偏差，因此将本文构建的模型用于实际的房地产评估时会产生一定偏差。相关研究指出网络挂牌价与真实交易价格之间存在一定的函数关系，但本文未进行二者的转化尝试，希望在未来的研究中可以将网络挂牌价信息进行转化，从而进行进一步的研究。（2）本文的研究样本数据均处于同一期间（2017年12月），因此该估价模型的运用在时间上有一定的限制，如果运用该模型评估以前年度的湖景房价值、或者未来采用该模型进行评估，可能会产生偏差。希望未来可以进一步将时间这一因素加入到研究变量中，扩大湖景房评估模型的适用范围。（3）在BP神经网络的训练中，网络参数的设定没有明确的理论指导，需要依靠经验进行反复测试，因此由于经验的局限性，本文可能没有找到效果最佳的网络。未来研究中可以进一步优化网络参数，将其运用于网络训练。47\n基于改进特征价格法的湖景房价值评估研究附录附录1实证样本数据48\n山西财经大学硕士学位论文49\n基于改进特征价格法的湖景房价值评估研究50\n山西财经大学硕士学位论文51\n基于改进特征价格法的湖景房价值评估研究52\n山西财经大学硕士学位论文53\n基于改进特征价格法的湖景房价值评估研究54\n山西财经大学硕士学位论文附录2实证MATLAB语法本文实证MATLAB的语法实现：num=xlsread('test1.xls','sheet1','A2:Q165');input_train=num(1:154,2:17);output_train=num(1:154,1);input_test=num(155:164,2:17);output_test=num(155:164,1);input=input_train';output=output_train';[inputn,inputps]=mapminmax(input);[outputn,outputps]=mapminmax(output);net=newff(inputn,outputn,15,{'logsig','purelin'},'trainlm');net.trainParam.epochs=1500;net.trainParam.lr=0.1;net.trainParam.goal=0.00004;net=train(net,inputn,outputn);input_test=input_test';output_test=output_test';inputn_test=mapminmax('apply',input_test,inputps);an=sim(net,inputn_test);BPoutput=mapminmax('reverse',an,outputps);E=BPoutput-output_testplot((output_test-BPoutput)./output_test,'-*');title('BP网络预测误差百分比')55\n基于改进特征价格法的湖景房价值评估研究参考文献[1]洪开荣,杨晨.国内外房地产特征价格方法研究述评[J].山东工商学院学报,2013,27(04):9-13[2]AllenC,Goodman.Hedonicprices,priceindicesandhousingmarkets[J].1978(3)：471-484[3]RandyE,DummG.StacySirmans,GregSmersh.TheCapitalizationofBuildingCodesinHousePrices[J].TheJournalofRealEstateFinanceandEconomics,2011,Vol.42(1)[4]ItaiShelem,DoronLavee,NirBecker.ContaminationbytheIsraelimilitaryindustryanditsimpactonapartmentsalepricesinanadjacentTelAvivneighborhood:ahedonicpricingmodelstudy[J].InternationalJournalofUrbanSustainableDevelopment,2011,Vol.3(2),pp.221-231[5]GabrielKayodeBabawale,YewandeAdewunmi.TheImpactofNeighbourhoodChurchesonHousePrices[J].JournalofSustainableDevelopment,2011,Vol.4(1)[6]OduwoleHK,EzeHT.AHedonicPricingModelonFactorsthatInfluenceResidentialApartmentRentinAbujaSatelliteTowns[J].MathematicalTheoryandModeling，2013[7]MarcoHelbich.DoSuburbanAreasImpactHousePrices?[J].EnvironmentandPlanningB:PlanningandDesign,2015,Vol.42(3),pp.431-449[8]王卓琳,秦伟伟.特征价格模型研究综述[J].经济论坛,2009,(12):130-131[9]马思新,李昂.基于Hedonic模型的北京住宅价格影响因素分析[J].土木工程学报,2003,(09):59-64[10]李信儒,马超群,李昌军.基于Hedonic价格模型的城镇基准地价研究[J].系统工程,2005,(12):115-119[11]孙玉环.基于海量交易数据的房地产特征价格模型的构建[J].统计与决策,2011,(02):9-13[12]刘璧婷,李星野.基于Hedonic理论的住宅特征价格模型——以上海为例[J].金融经济,2013,(12):38-42[13]徐丽,简迎辉.基于特征价格模型的南京市住宅价格实证分析[J].土木工程与管理学报,2015,32(04):85-8956\n山西财经大学硕士学位论文[14]杨杉,邓科.特征价格模型对房地产税税基评估的适用性[J].商业研究,2015,(06):90-96[15]冯波,郭巍,陈昕.北京市住宅用地价格影响因素分析——基于特征价格模型的实证研究[J].中国物价,2016,(11):53-55[16]R.KelleyPace.Parametric,semiparametricandnonparametricestimationofcharacteristicvalueswithinmassassessmentandhedonicpricingmodel[J].JournalofRealEstateFinanceandEconomics,1995:195-217[17]Neill,HelenR.EstimatingtheEffectofAirQuality:SpatialversusTraditionalHedonicPriceModels[J].SouthernEconomicJournal,2007,(8)[18]周丽萍,李慧民,肖静.神经网络在特征价格模型中的应用[J].西安工业大学学报,2008,(02):189-192[19]司继文,韩莹莹,罗希.Hedonic住宅特征价格模型的BP神经网络方法[J].管理学报,2012,9(7):1007-1012[20]Hyung-GunKim,Kwong-ChinHung,SungY.Park.DeterminantsofHousingPricesinHongKong:ABox-CoxQuantileRegressionApproach[J].TheJournalofRealEstateFinanceandEconomics,2015,Vol.50(2),pp.270-287[21]陈安明.基于主成分分析的住宅项目特征定价模型[J].重庆大学学报:自然科学版,2006,29(6):145-147[22]RicardoCrespo,AdrienneGrêt-Regamey.LocalHedonicHouse-PriceModellingforUrbanPlanners:AdvantagesofUsingLocalRegressionTechniques[J].EnvironmentandPlanningB:PlanningandDesign,2013,Vol.40(4),pp.664-682S[23]ZainoraAM,NorzailawatiMN,TuminahP.AspatialanalysisonGIS-HedonicPricingModelontheinflunceofpublicopenspaceandhousepriceinklangvalley,malaysia[J].ISPRS-InternationalArchivesofthePhotogrammetry,RemoteSensingandSpatialInformationSciences,2016,Vol.XLI-B8,pp.829-836[24]高建,周丽萍,王文科,刘志新.主成分分析法在住宅特征价格模型中的应用[J].山东建筑大学学报，2008,(01):15-19[25]宋永发,王颖,王建东,鞠平.基于主成分分析法的特征价格模型[J].价值工程,2008,(04):134-137[26]黄古博,李雨真.基于主成分分析法的商品住宅特征价格模型改进[J].华中农业大学学报(社会科学版),2011,(04):93-97[27]漆勇方,李良松.主成分分析在我国房价模型中的应用——以江西萍乡住宅项目57\n基于改进特征价格法的湖景房价值评估研究数据为例[J].萍乡高等专科学校学报,2013,30(03):9-12+17[28]王一川.城市租赁住宅特征价格研究[D]浙江:浙江大学硕士学位论文，2010[29]赵伟.城中村区域租赁住宅特征价格研究[D].浙江:浙江大学硕士学位论文，2011[30]杨晓冬,李忠富,住宅租赁特征价格研究——以哈尔滨市为例[J].系统管理学报,2012,(04)[31]张竞华,周春枝,李香莲.基于特征价格模型的公租房定价分析[J].产业与科技论坛,2017,16(02):279-280[32]王琳.城市轨道交通对住宅价格的影响研究——基于特征价格模型的定量分析[J].地域研究与开发,2009,28(02):57-61+70[33]钟祥,宋鑫.南昌市地铁一号线对沿线房地产价格影响研究——基于特征价格模型的定量分析[J].企业导报,2013,(12):108-109[34]刘康,吴群,王佩.城市轨道交通对住房价格影响的计量分析——以南京市地铁1、2号线为例[J].资源科学,2015,37(01):133-141[35]于露,成广宇,卜炜玮.昆明地铁对沿线住宅价格的影响研究——基于特征价格模型[J].工程经济,2016,26(05):73-76[36]韩永超,陈春,沈昊婧.基于特征价格模型的重庆轨道交通对沿线房价的影响研究——以轨道3号线为例[J].价格月刊,2017,(01):6-10[37]McCullochWS,PittsW.Alogicalcalculusoftheideasimmanentinnervousactivity.TheBulletinofMathematicalBiophysics,1943,5(4):115-133[38]WIDROWB,HOFFME.AdaptiveSwitchingCircuits[A].IREWESCONconventionrecordpart4.ComputersMachineSystems[C].LosAngeles:1960,96-104[39]JenkinsBK,TanguayAR.HandbookofNeuralComputingandNeuralNetworks[M].Boston:MITPress,1995[40]HopfieldJJ.Neuralnetworksandphysicalsystemswithemergentcollectivecomputationalabilities.ProceedingsoftheNationalAcademyofSciences,1982,79(8):2554-2558[41]SetionoR,LeowWK.FERNN:Analgorithmforfastextractionofrulesfromneuralnetworks[J].AppliedIntelligence,2000,12(1-2):15-25[42]ZhengNN,ZhangZH,ZhengHB,GangS.DeterministicannealinglearningoftheradialbasisfunctionnetsforimprovingtheregressionabilityofRBFnetworks.C'omo,Italy,2000;601-607[43]HintonGE.Trainingproductsofexpertsbyminimizingcontrastive58\n山西财经大学硕士学位论文divergence.NeuralComputation,2002,14(8):1771-1800[44]武妍,王守觉.一种通过反馈提高神经网络学习性能的新算法[J].计算机研究与发展,2004,41(9):1488-1492[45]ZhouZH,LiuXY.Trainingcost-sensitiveneuralnetworkswithmethodsaddressingtheclassimbalanceproblem.IEEETransactionsonKnowledgeandDataEngineering,2006,18(1):63-77[46]DaiQ,ChenSC,ZhangBZ.ImprovedBPneuralnetworkmodelwithapplicationsintimeseriesprediction.NeuralProcessingLetters,2003,18(3):217-231[47]ChenSC,DaiQ.DLS-ICBPneuralnetworkswithapplicationsintimeseriesprediction.NeuralComputing&Application.2005,14:250-255[48]DaiQ,ChenSC.ChainedDLS-ICBPneuralnetworkswithmultiplestepstimeseriesprediction.NeuralProcessingLetters.2005,21(2):95-107[49]YangXB,ChenSC,ChenB.Plane-Gaussianartificialneuralnetwork.NeuralComputingandApplications,2012,21(2):305-317[50]毛健,赵红东,姚婧婧.人工神经网络的发展及应用[J].电子设计工程,2011,19(24):62-65[51]杨晓冬,王要武.基于神经网络的房地产泡沫预警研究[J].中国软科学,2008,(02):122-128[52]朱明强.BP神经网络在房地产投资风险分析中的应用[J].四川建筑科学研究,2006,(06):243-246[53]江涛,陈小鸣.基于BP神经网络的住宅需求预测研究[J].武汉理工大学学报(信息与管理工版),2006,(09):1-3[54]胡晓龙,郜振华,马光红.基于Elman神经网络的房地产价格预测[J].统计与决策,2008,(07):64-65[55]李大营,许伟,陈荣秋.基于粗糙集和小波神经网络模型的房地产价格走势预测研究[J].管理评论,2009,21(11):18-22[56]花景新,薄煜明,陈志敏.基于改进粒子群优化神经网络的房地产市场预测[J].山东大学学报(工学版),2014,44(04):22-30[57]潘志安,沈平.神经网络算法在房地产价格分析和预测中的应用[J].信息通信,2014,(01):17-19[58]张晓平,周芳芳,谢朝.基于神经网络的房地产估价模型研究及其Matlab实现[J].技术经济与管理研究,2009,(01):23-2559\n基于改进特征价格法的湖景房价值评估研究[59]池娇,焦利民.住宅房地产价格评估的空间型BP神经网络模型[J].地理空间信息,2017,15(02):86-90+11[60]吴冬梅，郭忠兴，陈会广．城市居住区湖景生态景观对住宅价格的影响——以南京市莫愁湖为例[J].资源科学,2008,30(10):1503-1510[61]顾新辰．基于Hedonic模型的苏州工业园区金鸡湖西岸地区住宅特征价格研究[D].广州：华南理工大学,2011[62]赵沁娜、朱天俊.城市湖景对房地产价格影响的享乐价格研究[J].科技和产业，2015,15(5):15-18[63]包英爽.城市森林对生态型房地产的影响研究[D].中国林客源科信所硕士论文指导老师李智勇研究员[64]胡卓娟.空间分析在不动产价值评估中应用研究的历史与现状[J].浙江大学学报(工学版).2004,38(10)[65]韩立群.人工神经网络[M].北京:北京邮电大学出版社,2006[66]ShenXue-li,ZhangJi-suo.ResearchofintrusiondetectionbacedontheBPnetworksandtheimprovedPSOalgorithm[J].ComputerEngineering&Science,2010,32(6):34-36.(inChinese)[67]钱红.论住宅房产开发的流程控制[J].建筑经济,2007,(9)60\n山西财经大学硕士学位论文致谢首先要感谢我的导师李斌副教授，老师兢兢业业的工作态度、一丝不苟的工作精神对我产生了积极的影响。在硕士期间，李斌老师细心指导我参与科研，耐心地为我授业解惑，使我在课题研究、论文设计等方面得到了很大提升，并且顺利发表了小论文，毕业论文也经过几次修改与完善顺利完结。在此，向导师表示衷心的感谢！其次，要感谢家人的鼓励与同学们的支持。家人在我写论文时给了我很大鼓励，在学校与同学们互帮互助，共同探讨问题，尤其要感谢132宿舍的舍友们给予我很大支持，大家共同进步，一起收获了珍贵的友谊！最后，我要向山西财经大学资产评估专业的所有老师表示感谢。正是有您们的谆谆教导，我才收获了专业知识以及一些书本上难以学到的态度与精神！感谢所有关心帮助过我的人，今后我会更加努力！61\n基于改进特征价格法的湖景房价值评估研究62\n山西财经大学硕士学位论文攻读硕士学位期间发表的论文情况一、本人在攻读硕士学位期间发表的论文详细情况如下：被索引收发表论文题目发表期刊刊物级别发表日期作者顺序录情况金融支持对房地产市CSSCI收场的时变影响机制研《经济问题》B12017年7月第二作者录究——以山西省为例63