摘要：建立了房地产公司经济竞争力评价指标体系, 融合多指标评价法与BP神经网络算法构建了基于人工神经网络的经济竞争力评价模型。选取20家典型上市房地产公司进行模拟评价, 模拟结果证明系统具有一定的可行性和实用性。

　　关键词：上市房地产公司;经济竞争力;BP神经网络

　　中图分类号：F832.4 文献标识号：A 文章编号：

　　Abstract: This paper proposes one set of economic competitiveness indicators for real estate listed companies and establishes many indicators of evaluation methods for evaluating the real estate listed company's economic competitiveness with integration of artificial neural network. By using the system, this paper also carries out a simulation evaluation of the economic competitiveness of 20 typical listed real estate companies. The result shows that the proposed system is feasible and practical

　　Key words: real estate listed companies; economic competitiveness; neural networks

　　基于人工神经网络的中国房地产上市公司

　　经济竞争力模型研究

　　0 引言

　　我国房地产业作为国民经济的支柱产业，关系到整个国民经济的稳定发展和金融安全，因其产业相关度高，带动性强，与金融业和人民生活联系密切，因此，国家一直对房地产市场发展给予高度关注。2006年以来，国家陆续出台了一系列调控措施，从土地供应、贷款发放、公积金管理、抑制房价到全行业的综合调控。美国金融危机发生后, 已波及到实体经济，房地产全行业销售下滑,企业面临巨大的资金压力,不少房地产项目开始转让手中的项目、土地、产权等,近期国家出台了一系列拉动内需、促进房地产发展的税收、金融政策等。这一系列的措施突显了国家对房地产市场发展的高度重视，目的是想通过宏观调控政策平抑或减缓房地产周期波动带来的影响，促进房地产行业持续、稳定、健康地发展。受宏观调控影响，当前中国房地产市场已经全面进入转型时期，市场竞争更加激烈，尤其房地产企业出现了结构性调整，众多企业开始谋求发展战略的转变，希望通过对资源的整合走上规模化、专业化的发展道路，而在这个过程中房地产企业的竞争能力是发展的关键所在。

　　为了检验我国房地产上市企业的竞争力，笔者在充分借鉴竞争力研究理论的实践经验，结合我国宏观经济发展条件和房地产行业发展的特点，在建立房地产企业经济竞争力指标体系的基础上，选择沪深两市20家上市公司2008年中期财务数据为样本，运用BP神经网络算法，建立我国房地产上市公司经济竞争力评价模型。

　　1 BP神经网络

　　1.1 BP神经网络结构

　　BP神经网络由神经元及神经元之间的连接权组成，可分为输入层、隐含层和输出层，属于有导师的学习算法(误差反向传播算法)。BP神经网络由正向传播和反向传播组成，在正向传播阶段，每一层神经元的状态只影响下一层神经元的状态;如果在输出层得不到期望的输出值，则进入误差的反向传播阶段。网络根据反向传播的误差信号修改各层的连结权，寻找最佳权集实现网络的正确输出，输入层神经元的输出值等于输入值[1]。

　　图1：BP神经网络结构及学习原理示意图

　　1.2 BP神经网络学习原理

　　BP算法是一种有监督的学习算法，其主要思想：输入学习样本，使用反向传播算法对网络的权值进行反复的调整训练，使输出的向量与期望的向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差[2]。具体算法步骤如下[1]：

　　(1)权值初始化对所有权值赋以0～1之间的随机数;

　　(2)输入样本，指定输出层神经元的期望值;

　　(3)依次计算各层神经元的实际输出;

　　(4)修正权值，从输出层开始，逐步向后递推，直到隐含层;

　　(5)转到第2步，在小于给定误差时网络学习结束。

　　2 BP神经网络在房地产上市公司竞争力评价中的应用

　　2.1 房地产上市公司竞争力评价指标体系

　　本文在查阅大量文献的基础上进一步的向专家咨询，对房地产上市公司的竞争力评价体系涉及的指标归纳如下[3,4]：以资产运营能力、盈利能力、偿债能力、投资价值和成长性等能够体现房地产上市公司经济竞争力的要素作为一级指标，并且在一级指标的基础上，筛选得到能够具体体现一级指标的二级指标，具体的评价指标体系在表1中详细给出。

　　表1 房地产上市公司经济竞争力评价指标 一级指标 二级指标 资产运营能力 资产总额X1、资产净值X2、房地产业务收入X3 盈利能力 每股收益X4、净资产收益率X5、总资产报酬率X6、总资产利润率X7 偿债能力 流动负债X8、流动比率X9、速动比率X10、产权比率X11、 成长性 每股收益增长率X12、房地产业务利润增长率X13、净利润增长率X14、、总资产增长率X15、

　　2.2 多指标综合评价

　　对房地产上市公司竞争力的评价是由多个单项指标描述和分析，尽管单凭其中一个指标评价公司竞争力能产生序列，但单项指标往往只能反映竞争力的一个侧面，而不可能全面反映公司竞争力的整体情况，而且偏面性导致大量损失其它指标所含的信息。因而本文利用多指标综合评价系统[5]将多个描述公司竞争力的单项指标信息加以综合而对公司竞争力作出整体性评价。它弥补了单项指标信息采集的不足，又能对一系列试验结果的作整体性比较和排序。

　　步骤1：选取评价指标，建立评价体系。评价指标体系由2.1给出;

　　步骤2：指标的正向化和无量纲化。评价指标按其作用趋向不同，可以分为正向指标、逆向指标。正向指标是指那些数值越大越好的统计评价指标，逆向指标则是数值越小越好的评价指标。对逆向类指标首先均要转化成正向指标，然后再按正向指标进行无量纲化处理。

　　(1)逆向指标的处理：逆向指标的处理：直接取原逆向指标Xi的倒数，这样就得到一个正向指标Xi’

　　(2)定量指标的无量纲化：

(1)

　　其中Xi表示每一个指标的实际值，Xmax表示每个指标向量的最大值，Xmin表示每个指标向量的最小值。

　　这种无量纲化方法实际上是求各评价指标实际值在该指标全距中所处的位置比率。此时的Yi相对性质比较明显，而且取值均在0与1之间。

步骤3：评价指标的权数：，n为指标个数。

　　步骤4：加权合成指标评价值：

(2)

　　2.3房地产上市公司竞争力评价的神经网络模型

　　2.3.1 BP神经网络模型

　　对房地产上市公司竞争力的评价问题，可以看作是输入(房地产上市公司竞争力的评价指标)到输出(房地产上市公司的综合竞争力)的非线性映射。一个3层的BP神经网络可以用任意的精度去逼近任意映射关系，因此，本文采用3层的BP网络结构。

(1)输入层单元数。根据2.1给给出的竞争力指标体系，将15个经济竞争力评价指标作为网络输入层的15个神经元，由于经济竞争力各评价指标的量纲不一样，且数据间的差异也很大，因而需要对各类指标进行正向化和无量纲化的处理，具体方法由 2.2中步骤2给出，即处理后的数据Yi。

　　(2)隐含层单元数。隐含层单元(节点)数的选择是一个复杂的问题，它与输入输出单元的多少的都有直接的关系，本文在隐含层的选取中参照公式[6]：

(3)

　　其中m为隐含层单元(节点)数，n为输入神经单元数。

　　本文的神经网络模型隐含层节点数选为4。

　　(3)输出层单元数。输出节点的选取对应于经济竞争力的综合评价结果，即为一个综合评价值，因此输出层的单元数选为1。

　　2.3.2 数据采集与处理

　　本文选取20家典型房地产上市公司2008年度中期的数据，以其中的16家房地产公司为训练样本，4家公司为测试样本。基础数据主要从房地产上市公司年报中整理得到。

　　首先，对基础数据按照2.2中介绍的步骤进行处理，得到20家房地产上市公司基础数据无量纲化后的评价指标值，以及其经济竞争力的一个综合评价值，其中综合评价值1：表示竞争力很强，0：表示竞争力很弱，具体数据在表2中给出。

　　其次，运用BP神经网络模型对经济竞争力评价模型进行学习训练，通过对16个样本的输入、输出值学习训练，在训练5262次后，总体误差满足要求，此时的误差为：0.00000996。具体的训练样本的输出结果见表2。

　　表2 神经网络训练样本竞争力评价系统比较 序号 上市公司 综合评价 实际输出 序号 上市公司 综合评价 实际输出 1 保利地产 0.48713 0.4871 9 长春经开 0.17546 0.1816 2 浙江广厦 0.37010 0.3691 10 云南城投 0.15535 0.1557 3 中江地产 0.28212 0.2854 11 华业地产 0.23282 0.2304 4 南京高科 0.31378 0.3128 12 万通地产 0.47215 0.4740 5 海泰发展 0.28459 0.2877 13 广汇股份 0.37327 0.3719 6 香江控股 0.47868 0.4775 14 天房发展 0.29084 0.2875 7 联美控股 0.22155 0.2135 15 华发股份 0.36034 0.3631 8 美都控股 0.25708 0.2581 16 首开股份 0.45813 0.4575

　　图2 竞争力评价模型网络训练过程中的误差记录

　　表3 神经网络测试样本竞争力评价系统比较 序号 上市公司 综合评价 实际输出 序号 上市公司 综合评价 实际输出 1 金地集团 0.33942 0.3297 3 空港股份 0.35501 0.3530 2 东华实业 0.33305 0.3328 4 栖霞建设 0.32604 0.3374 图2给出了房地产上市公司经济竞争力评价模型的网络训练过程中的误差记录图像。在表3给出了测试样本的网络输出结果，输出结果与多指标综合评价结果基本相似，神经网络模型具有较高的精度。此时，用于房地产上市公司竞争力评价的BP神经网络模型已经训练成功，可以根据该模型对房地产上市公司的竞争力进行综合评价，以作为决策者的决策依据。

　　3 结束语

　　本文主要利用神经网络模型对房地产上市公司的经济竞争力进行了评价。首先是建立了房地产上市公司经济竞争力的评价体系，其次利用多指标综合评价法对上市公司的竞争力做了综合的评价，最后建立了房地产上市公司经济竞争力评价的神经网络模型。神经网络有着很大的优势，在网络训练完成后，测试数据的网络输出与多指标综合评价的结果是基本一致的，而且神经网络的建立不需要很精细的数学模型。

　　参考文献

　　[1]李晓光,钱阳.基于BP神经网络的项目投资风险评价[J].河海大学常州分校学报, 2005(19):9-11.

　　[2]鄢玉,杨洁明.BP神经网络算法探讨[J].科技情报开发与经济, 2006(16):241-242.

　　[3] 刘可,匡罗平.上市公司竞争力评价指标体系研究[J].高科技产业技术与创新管理, 2007(28):100-102.

　　[4] 赵树宽,马力.大型房地产投资风险评价体系的研究[J].科技进步与对策,2002(4):118-119.

　　[5] 吴有炜.试验设计与数据处理[M].苏州: 苏州大学出版社, 2002.

　　[6] 张俊玲,马苓杨,占昌.大型房地产投资项目风险评价的人工神经网络模型研究[J].高等职业教育-天津职业大学学报,2005(14):37-40