尹 鹏 杨仁树 丁日佳 王文博

(中国矿业大学(北京)力学与建筑工程学院，北京 100083)

0 引言

商业地产对改善人们的生活水平，繁荣地方经济，推动国民经济和社会的发展起到了重要的促进作用。但是，作为一项综合性、专业性和技术性极强的投资活动，众多风险使商业地产的投资有着很大的不确定性。因此，在项目立项阶段对风险因素进行分析，合理估算项目风险水平就是非常有必要的。而目前常用的风险估算方法主要有模糊数学法和层次分析法等，这些方法主观随意性较大。所以，为解决这一问题，本文将BP神经网络应用于商业地产项目立项阶段的投资风险评估，以保证项目建设的顺利进行。

1 BP神经网络的基本原理

1.1 BP 神经网络简介[1]

人工神经网络(Artificial Neural Networks，简称为ANN)，是近年来发展起来的模拟人脑生物过程的人工智能技术，而BP神经网络是目前应用最广泛也是最成功的网络之一。

BP神经网络是基于误差反向传播(Back propagation)算法的多层前馈网络(Multiple layer feed forward network)，其拓扑结构一般由输入层、输出层以及一个或多个隐层节点互连而成的一种多层网络。

BP网络拓扑结构的特点是:各层神经元仅与相邻层神经元之间连接;各层神经元之间无任何连接或反馈连接。输入信号传播到隐含层，经过函数变换，把隐含层输出信息传播到输出层，最后得出输出结果。

1.2 BP 神经网络基本原理[2]

BP神经网络计算过程由信息正向传播和误差反向传播组成。输入层各神经元负责接收外界的输入信息，并传递给中间层的神经元;中间层负责信息变换，可为单隐层或者多隐层结构;最后隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播，由输出层向外界输出处理结果。当实际输出与期望输出不符时，进入误差的反向传播。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层和输入层逐层反传。周而复始的信息正向和反向传播一直到网络输出误差减少到满足要求，或者预先设定的学习次数为止。

2 BP神经网络煤矿安全评价模型

2.1 构建指标体系

由于商业地产项目立项阶段投资风险涉及内容较多，如何构建全面和可操作性较强的指标体系对于有效评价其投资风险是非常重要的。所以，本文运用Delphi法向多位从事房地产项目风险研究的专家进行咨询，并参考有关研究资料，确定了商业地产项目立项阶段投资风险评价指标体系用于构建神经网络风险评价模型，具体如表1所示[3]。

表1 商业地产项目立项阶段投资风险评价指标体系

2.2 BP神经网络的设计

建立一个神经网络模型并完成训练和学习，需要合理的确定网络层数与各层的神经元数。本文根据前人的研究成果，设计的BP神经网络结构如下[2]:

1)初始值的设计。该网络的初始值取MATLAB软件神经网络工具箱的默认值。

2)输入层神经元的个数。根据前文建立的指标体系，确认BP神经网络的输入层神经元个数为12个，即开发区位、经营业态、投资方式、区域发展情况、消费者购买力水平、商业竞争态势、投资估算、可行性研究、融资风险、置地风险、工程招标与发包和拆迁协商活动。

3)输出层的设计。输出层输出量或者是数值变量，或者是语言变量。对于数值型输出量，可用数值直接表示，范围在0～1或－1～1之间的数。本文主要采用“n中取1”法，将商业地产项目立项阶段投资风险水平划分为五类，即(高，较高，一般，较低，低)，相对应的编码为(10000，01000，00100，00010，00001)。其中，已建成项目的风险水平及编码如表2所示。

表2 建成项目风险水平及编码

4)隐层数和隐层神经元数。经过研究证明，单隐含层的神经网络，如果隐层节点数足够多，那么它就能以任意精度去逼近一个非线性函数。所以，本文确定隐含层数为1。

关于隐层节点数的确定，是一个较复杂的问题。一般参考以下公式进行试验:

其中，m为输出神经元数;n为输入神经元数;a为0～10间的常数。因此，经过试验，a取10，则隐含层的神经元数为14个。

2.3 BP神经网络模型的训练和检测

选取6个已完成风险评价的商业地产项目立项阶段的投资风险指标数据作为BP神经网络训练样本和检测样本(4个作为训练样本，2个作为检测样本)输入网络模型，进行学习和训练，样本输入数据如表3所示。

表3 神经网络模型训练和检测样本输入

本文使用MATLAB的神经网络工具箱对BP神经网络进行训练和检验，直到误差满足预先设定的要求时，停止学习，此时权值矩阵和阀值向量固定下来，成为模型的内部知识。本文设定的学习步长为500步，学习速率为0.1，误差限制在0.001。

程序执行后，该神经网络模型进行了学习，在第132步模型达到收敛，总体误差为0.000 835 26，满足要求，如图1所示。

图1 BP神经网络收敛结构图

计算结果为:

而用于检验的第5、第6个商业地产项目立项阶段的投资风险水平为:

计算结果与其基本吻合。所以，用于商业地产项目立项阶段投资风险评价的BP神经网络模型已经训练成功，可用此模型对商业地产项目立项阶段的风险状况进行评价，以减少和预防风险的发生。

2.4 模型的应用

某房地产企业要开发一项商业地产，为了掌握该工程投资风险情况，以便为决策提供依据，该企业邀请有关专家，对商业地产项目立项阶段投资风险评估指标进行打分，经过整理，结果见表4。

表4 项目指标数据表

将风险指标数据代入训练好的BP神经网络模型，以对该项目立项阶段的投资风险水平进行分析，结果如下:

S=[0.011 7，0.996 7，0.028 5，0.007 0，0.002 7]。经过分析，其编码为(0，1，0，0，0)，表明该项目立项阶段的投资风险水平较高。所以，该项目开发过程中，应该时刻加强风险意识，采取有效措施以降低项目的投资风险水平。

3 结语

在商业地产的开发过程中存在很多风险因素，要保证项目开发的顺利进行，就要对这些风险进行评估。本文使用BP神经网络建立了商业地产项目立项阶段投资风险评价模型，用已知数据对模型进行了训练、仿真、检验以及应用。该模型不但可以避免了主观因素造成的评估失真，使结果更加有效和直观，而且可以利用MATLAB神经网络工具箱使计算过程更加简单。所以，该模型能够使房地产企业对项目立项阶段的投资风险进行有效地评估，从而规避风险的发生。

[1] 徐 君.矿井安全生产的神经网络评价[J].辽宁工程技术大学学报，2005(24):28－30.

[2] 葛哲学，孙志强.神经网络理论与MatlabR2007实现[M].北京:电子工业出版社，2007:288.

[3] SUN Gang，ZHANG Ruixin，LUO Fen.Evaluation Method of Coal Mine Production Safety Based on BP Neural Network[J].2009 International Conferences on Information Technology and Computer Science，2010(20):514－517.