李菊 LI Ju；杜葵 DU Kui
（昆明理工大学土木工程学院，昆明 650500）
摘要： 文中基于房产税税基的批量评估，结合BP神经网络理论，构建了房地产批量评估流程及模型，运用昆明市近期已成交房屋数据对网络进行训练和测试。结果表明，可将训练成功的模型用于评估同类型大批量房屋的价格，因此，只要将不同地区房屋按地段、类型、用途进行分区，分别构建网络模型，则可对该地区的房产税进行尽快的评估。
教育期刊网 http://www.jyqkw.com
关键词 ： BP神经网络；批量评估；房地产评估
中图分类号：F301.3 文献标识码：A 文章编号：1006-4311（2015）03-0163-02
作者简介：李菊（1989-），女，云南大理人，昆明理工大学硕士研究生，主要从事不动产评估；杜葵（1965-），男，云南昆明人，昆明理工大学教授，硕士生导师，主要从事不动产评估工作。
0 引言
从2003年10月十六届三中全会提出“条件具备时对不动产开征统一规范的物业税，相应取消有关税费”开始，房产税的开征受到社会各界的广泛关注[1]。而房产税的开征，意味着每年将对百万宗甚至更多的房屋进行税基评估。如何在规定时间内对全国如此规模数量的房屋进行有效、快速的评估，且体现纳税人之间的公平，是房产税改革面临的关键性问题。传统的单宗评估，无法满足短时间内对大批量房地产进行快速、准确、低成本评估的要求，且在实际运用过程中均存在不同程度的局限性[2]。目前，随着计算机技术的发展，批量评估技术在许多发达国家已经发展成熟，如AVM（自动评估模型）技术的发展。因此，本文根据房地产评估的特性，结合BP神经网络理论，构建基于BP神经网络的批量评估模型，以有效解决房产税改革面临的问题。
1 BP神经网络理论
人工神经网络（ANNs）是一种基于连接学说构造的自能仿生模型，是由大量神经元构成的非线性动力系统[3]。它的信息处理功能是由网络单元的输入输出特性、网络的拓扑结构、连接权的大小和神经元的阈值等所决定的[4]。房地产价格受多种因素的影响，难以鉴定其各影响因素之间服从某种数学关系，将神经网络引入房地产估价领域，不需要提前设定各影响因素与价格之间的关系，只需将收集到的样本影响因素及成交价格进行数据化及标准化处理，输入已构建好的网络模型进行误差训练，只要模型的运行结果达到预先设定的误差之内，且经测试合格，则该模型即可用于评估同区域内大规模类似房屋的价格。
BP神经网络是目前应用最为广泛的一种按误差逆传播学习算法的前馈神经网络，其训练过程是“正向计算输出——反向传播误差”不断重复的过程，直至误差降低到可以接受范围，网络的训练过程也就随之结束[5]。其结构为首尾各一层，分别为输入层和输出层，中间层也叫隐含层，可以根据模型的复杂程度设为一层或多层。
基于BP神经网络的房地产估价程序为：先收集近期已成交房屋案例的数据，一部分数据作为模型的输入进行训练，训练不成功则重新构建模型，直至训练成功为止。将剩余数据进行模型的测试，测试合格，才可用于大规模类似房屋价格的评估。从以上可知，网络模型的构建决定网络运行结果，是整个流程中最为重要的部分。图1描绘了基于BP神经网络的房地产估价流程图。
2 基于BP网络估价模型的构建
2.1 估价指标体系的构建及其量化标准 本文以城市住宅为研究对象，构建住宅类的价格评估模型。影响城市住宅价格的因素较多，归结起来可以分为3类，分别为：个别因素、区域因素和一般因素。在一定时期内，宏观环境较为稳定，一般因素对个体价格差异的影响较小，所以可以将一般因素剔除不计，重点分析个别因素和区域因素对房价的影响。通过查阅文献，归结出9个因素：地段等级、交通状况、配套设施、环境质量、建筑结构、成新度、装修情况、朝向、楼层。
在因素评分中，可根据专家打分法，先将特征因素从好到坏分为5个等级：优、较优、一般、较差、差。再将其进行量化处理，可分别赋值为1、0.75、0.5、0.25、0，介于上述等级之间的，可根据具体情况赋值。文中所收集数据样本来源于昆明市西山区已成交案例。在收集样本过程中，为保证数据质量，尽量收集近期已成交案例，时间间隔不超过1个月，且已经排除非正常交易案例，故文中不考虑房屋价格受交易情况及交易时间的影响。
网络的输出要求为0～1之间连续的数值，而收集到的价格为实际成交价格，为使之与网络输出相一致，应对成交价格进行数据标准化处理。本文所采用的数据标准化处理方式为归一化处理方法。在本文中特征因素值已在0～1之间，所以只需将成交价格数据进行标准化处理即可。
2.2 网络结构的确定
2.2.1 输入层节点数的确定 输入层的节点个数由房屋价格影响因素的个数确定，文中将选取上述所列的9个影响因子作为网络的输入，即文中输入层节点数确定为9个。
2.2.2 隐含层节点数的确定 增加隐含层神经元个数可以提高网络的训练精度，但也不是隐含层节点数越多越好，同一个网络模型在隐含层节点数达到最优后不再随节点数的增加而出现训练误差越小的情况。一般在实际中往往依靠经验和反复试验进行确定节点数，即对同样的网络结构设置不同的隐含层节点数，分别进行训练，当训练结果误差最小且训练步数最少时网络隐含层节点数达到最优。
2.2.3 输出层节点数的确定 模型要求输出数据为房屋的预测价格，因此，输出节点数确定为1。
3 应用研究
3.1 估价模型的训练 从所采集样本中抽80%作为网络的训练样本。用newff( )函数建立网络，此函数可以将网络初始化，自动选择权值和阈值[6]。文中采用反复训练法来选取最优的隐含层神经元数，分别设计隐含层的节点数为10、20、30、40、50。本文所创建的网络代码如下：
net=newff(minmax(P),[a,1],{´tansig´,´logsig´},´traingdx´)
其中a代表不同的隐含层节点数，tansig代表隐含层的激活函数，logsig代表输出层的激活函数，算法选择动量和自适应lr的梯度下降法traingdx。其他网络训练参数设为：
net.trainParam.epochs=1000；%训练步数为1000
net.trainParam.goal=0.001；%目标误差为0.001
经过网络测试，当隐含层节点数设为30时，训练次数及均方误差达到最小值，所以，文中确定网络隐含层节点数在30时达到最优，即建立一个9—30—1的网络模型。文中利用MATLAB中的神经网络工具箱对模型进行模拟运算，以下为隐含层节点数为30时MATLAB进行逼近的界面图。图2表示网络经过138个循环训练后，计算输出与目标输出的误差为8.87e-004，小于预先设定的目标误差，即网络训练成功。图3反映了训练样本实际值与计算值的线性回归，R值达到0.99746，表明实际值与计算值之间实现了合理准确的线性拟合。
3.2 网络测试 网络模型训练成功后需进一步测试，才能确定模型是否可用于其他类似房屋的价格评估。经过对剩余20%的测试样本进行测试，相对误差最大为0.33%，最小为0.076%，都在1％以内，可以判定，该模型通过测试，网络可以满足对类似大批量的房屋进行价格评估。
4 结束语
本文将BP神经网络应用于房地产价格的批量评估，构建了房地产批量评估流程及评估模型，运用昆明市已成交房屋数据对网络进行训练和测试，研究表明，可将训练成功的网络模型用于评估同类型大批量房屋的市场价格，避免了传统估价作业花费时间长、成本高的特点，减少了主观思想对评估结果的影响，为以后房产税的开征提供技术支持。然而，批量评估也是建立在传统单宗评估的理论基础之上，对于部分房屋数据缺失的实例则需结合传统的估价方法，另外进行评估。
教育期刊网 http://www.jyqkw.com
参考文献：
[1]赵杰.基于我国现状的物业税税基研究[D].重庆大学,2008.
[2]朱聪.物业税税基评估研究[D].厦门大学,2007.
[3]常虹,何丕廉.神经网络与模糊技术的结合与发展[J].计算机应用研究,2001(5):4-7.
[4]李刚.基于人工神经网络的房地产估价研究[D].长安大学,2006.
[5]王军武,林晶.BP神经网络在城市房屋拆迁估价中的应用[J].华中科技大学学报,2010,27(4):31-35.
[6]郭欣欣.人工神经网络在住宅类房地产评估中的应用[D].首都经济贸易大学,2012.