(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

 2/2   首页 上一页 1 2