杨洋洋，杨中宣

（中原工学院建筑工程学院，郑州 450007）

河南省房地产业绩效评价及其影响因素分析
——基于DEA与ANN方法

杨洋洋，杨中宣

（中原工学院建筑工程学院，郑州 450007）

利用DEA方法构建了河南省房地产业投入产出绩效模型，对河南省2005—2014年的房地产业绩效状况进行评价，然后采用ANN方法建立了河南省房地产业绩效影响因素模型，对河南省房地产业绩效影响因素的重要性进行分析。结果表明：2005—2014年河南省房地产业综合技术效率值整体差值不大，在这10年间河南省房地产业综合技术效率值并没有显著的提高；房屋建筑面积竣工率、企业平均规模、土地因素、劳动生产率和市场开放程度这5个影响因素是提高房地产业综合技术效率的关键。

房地产业；绩效评价；影响因素；数据包络分析；人工神经网络

近年来，随着我国国民经济的快速发展和城镇化水平的不断提高，房地产业已成为我国国民经济的重要支柱。国家统计局数据显示，2015年全国房地产业增加值为41279.1亿元，占整个GDP的比重达到了6.1%。我国房地产业在高速发展的同时，遗留了一系列的问题，如建设效率低下、资源浪费、环境破坏等。要保持房地产业的稳定健康可持续发展，必须提高房地产业投入产出效率，减少资源浪费和环境污染。

国内学者对房地产业绩效的研究不断深入。邓宇和揭筱纹通过对房地产企业战略联盟绩效影响因素的分析，建立了一个较为完整的理论评价模型[1]。袁峰运用数据包络分析（DEA）方法对2008年中国房地产上市公司前20名企业的绩效进行评价[2]。丁琦、王要武和徐鹏举结合DEA方法，选取25家房地产上市公司，构建了房地产上市公司绩效评价模型[3]。陶新元以因子分析法、层次分析法和相关性分析为基础，对我国2010年房地产业上市公司进行财务绩效评价和公司治理绩效评价[4]。罗迈采用DEA方法对2003—2012年中国35个大中城市房地产业的投入效率进行研究[5]。王文嘉和张屹山基于DEA-DA方法对2002—2012年89家房地产A股上市公司财务数据进行了实证研究[6]。张红、高帅和杨飞运用因子分析法，对2001—2012年房地产上市公司的治理状况与企业绩效进行分析[7]。于兆河和褚翠云从价值链会计角度出发，将房地产的价值链网分解成内部、纵向、横向三条价值链，构建了房地产企业绩效评价体系[8]。周谧、崔侠和徐文静采用证据推理方法，构建了房地产上市公司的财务指标和非财务指标的绩效评价标准[9]。

目前学者对房地产业绩效的研究主要集中在绩效评价模型的构建，而对分析影响绩效因素的研究并不多见，基于此，本文以河南省房地产业为研究对象，综合运用数据包络分析（DEA）方法和人工神经网络（ANN）方法，选取2005—2014年河南省房地产业相关数据，基于DEA方法构建了河南省房地产业投入产出绩效模型，对河南省2005—2014年的房地产业绩效状况进行评价，基于ANN方法建立了河南省房地产业绩效影响因素模型，对河南省房地产业绩效影响因素的重要性进行分析，并提出具体建议。

一、相关理论介绍

（一）基于DEA的绩效评价

DEA方法由Charnes、Coopor和Rhodes于1978年提出，是运筹学、管理科学和数理经济学交叉研究的一个新领域。借助于数学规划和统计数据确定相对有效的生产前沿面，将各个决策单元投影到DEA的生产前沿面上，并通过比较决策单元偏离DEA前沿面的程度来评价它们的相对有效性。无须任何权重假设，而以决策单元输入输出的实际数据求得最优权重，排除了很多主观因素，具有很强的客观性，对于评价复杂系统的多投入多产出分析具有独到之处。

在实践中，投入指标是可以人为控制的，基于此，本文选取投入导向的CCR模型对河南省房地产业的绩效进行技术评价，其基本原理如（1）式：

（1）式中j表示决策单元，在本文中表示年份；xj表示第j年房地产业投入量；yj表示第j年房地产业产出量；λj表示每个决策单元的权重系数；s+、s－表示松弛变量；模型的最优解对应的目标函数值θ，为第j0年房地产绩效的相对效率值。

（二）基于ANN的影响因素分析

ANN方法是由20世纪40年代心理学家和数学家共同提出的，是模糊技术、遗传算法、进化计算等智能方法结合方向的发展。人工神经网络是一个非线性的数据建模工具集合，它包括输入层和输出层、一个或者多个隐藏层。神经元之间的连接赋予相关的权重，训练算法在迭代过程中不断调整这些权重，从而使得预测误差最小化并给出预测精度。其具有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。

本文运用SPSS神经网络多层感知器（MLP）方法实现房地产业人工神经网络模型，其基本原理见图1。

图1 人工神经网络多层感知器原理示意图

二、河南省房地产业绩效分析

（一）决策单元选取

为了更好地确保选取的决策单元（DMU）具有代表性特征及适合所构建的DEA绩效评价模型的要求，同时考虑到研究的现实意义，在科学性和可操作性原则下，本文选取2005—2014年河南省房地产业10个DMU进行研究。

（二）指标选取

梳理国内其他学者在房地产绩效评价方面的研究，总结出几种不同的投入、产出指标类型，详见表1。综合考虑指标选取的原则和表1情况，并结合河南省房地产业特点和相关数据的可获得性，笔者最终选取了3个投入指标和2个产出指标进行研究。投入指标分别为投资额、购置土地面积和从业人员，产出指标分别为主营业务收入和竣工面积。

（三）绩效分析

本文选取2005—2014年河南省房地产业近10年的相关数据作为研究对象，采用2005—2014年河南统计年鉴中公布的房地产业相关数据，所采用的初始数据如表2所示。

根据投入产出指标数据，运用DEA方法中的CCR模型，并借助MAXDEA软件对河南省房地产业的绩效进行评价，得出技术效率值W，如表3所示。

为了进一步区分2005—2014年DEA效率值的大小，引入反技术效率值K和综合技术效率值Q，反技术效率值是将投入产出指标对调后得到的技术效率值，即投入指标为主营业务收入和竣工面积，产出指标为投资额、购置土地面积和从业人员。反技术效率值与技术效率值的含义正好相反，技术效率值最高表示投入产出效率最优，而反技术效率值最高表示投入产出效率最差。反技术效率值K和综合技术效率值Q如表3所示。综合技术效率值Q与技术效率值W、反技术效率值K的关系如（2）式所示：

为了便于排序，对最终得到的综合技术效率值集合Q={q1、q2、q3……qn}进行min-max标准化处理,即对原始数据线性变换，使结果值映射到[0—1]之间，其转换函数如（3）式：

qmax表示集合Q中最小的元素，即2008年对应的综合技术效率值；qmax表示集合Q中最大的元素，即2007年对应的综合技术效率值；P表示与理想值的接近度。P值越大，决策单元的相对效率值越大，越接近DEA的Pareto面；P值越小，决策单元的相对效率值越小，越远离DEA的Pareto面，分析结果如表3所示。

由表3可知，2005—2014年河南省房地产业综合技术效率值Q（1.1903）最优的是2007年，综合技术效率值Q（0.8809）最差的是2008年，综合技术效率值Q在1及1以上的有：2005、2007、2010、2011、2013、2014年，综合技术效率值Q在1以下的有：2006、2008、2009、2012年。

表1 其他学者关于房地产绩效评价DEA指标选取情况[10-14]

表2 河南省房地产业的DEA初始数据

表3 河南省房地产业的DEA效率排序表

三、河南省房地产业绩效影响因素分析

（一）影响因素的确定

房地产业绩效影响因素主要包括内部和外部两个方面，内部因素有房屋竣工率、劳动生产率、企业规模、产业结构等，外部因素有价格因素、国有化程度、市场开放程度等。根据河南省房地产业绩效具体影响因素分析，确定以下8个房地产业绩效影响因素：

（1）价格因素，用每年竣工房屋造价来表示价格对房地产市场的影响；

（2）土地因素，用土地购置费占房地产业投资总额的比重来衡量；

（3）房屋建筑面积竣工率，用每年竣工房屋面积与施工房屋面积的比值来表示；

（4）劳动生产率，采用房地产业从业人员所创造的人均产值来表示；

（5）产业结构，用每年竣工的住宅面积占竣工总面积的比值来衡量；

表4 河南省房地产业绩效影响因素初始数据

（6）国有化程度，以国有及国有控股房地产企业投资额占投资总额的比重来衡量；

（7）市场开放程度，以外商投资和港澳台商投资占房地产业投资总额的比重来衡量；

（8）企业平均规模，以房地产业总产值除以企业个数来衡量。

（二）影响因素重要性分析

根据确定的房地产业绩效影响因素，结合2005—2014年河南省统计年鉴中的相关数据，搜集整理影响因素的初始数据，详见表4。

选取价格因素、土地因素、房屋建筑面积竣工率、劳动生产率、产业结构、国有化程度、市场开放程度、企业平均规模8个因素作为输入变量，以综合技术效率值Q为输出变量，采用表4的初始数据，运用SPSS19.0中的神经网络算法，构建了一个多层感知器神经网络模型，得到各因素的重要性系数，详见表5。

表5 河南省房地产业绩效影响因素重要性分析结果

由表5可知：

（1）房屋建筑面积竣工率对房地产业综合技术效率的重要性系数为0.232，在这8个影响因素中，房屋建筑面积竣工率最为重要，表明提高房屋建筑面积竣工率对房地产业综合技术效率值的提高具有显著作用，因此房地产业需要加快建设进度，缩短建设周期，提高建设效率。价格因素对房地产业综合技术效率的重要性系数为0.026，是8个影响因素中重要性系数最小的，表明竣工房屋造价的变化对房地产业综合技术效率值的影响不显著，降低竣工房屋造价，并不能显著提高房地产业综合技术效率值。

（2）企业平均规模对房地产业综合技术效率的重要性系数为0.196，表明合并一些中小房地产企业，提高房地产企业的平均规模，对房地产业综合技术效率的提高具有推动作用。土地因素对房地产业综合技术效率的重要性系数为0.157，表明控制土地的价格，禁止炒地，加强对土地的管制，有利于房地产业综合技术效率的提高。

（3）劳动生产率和市场开放程度对房地产业综合技术效率的重要性系数分别为0.129和0.123，表明房地产业综合技术效率的提高，需要提高劳动者的综合素质，加强对劳动者的培训，提高劳动生产率。此外，还需开放市场，适当引进外商投资和港澳台商投资，构建多元融资模式。

（4）产业结构和国有化程度对房地产业综合技术效率的重要性系数分别为0.073和0.064，表明产业结构和国有化程度对房地产业综合技术效率的影响不显著，仅靠改变产业结构和国有化程度是不能显著提高房地产业综合技术效率的。

四、结论与建议

本文综合运用DEA方法和ANN方法，选取2005—2014年河南省房地产业相关数据为研究对象，对河南省房地产业绩效及其影响因素进行了分析。根据以上分析得出如下结论与建议：

（1）2005—2014年河南省房地产业综合技术效率值Q的变化范围在[0.8809，1.1903]之间，整体效率值差值不大，说明在2005—2014年10年间河南省房地产业综合技术效率值并没有显著的提高，这是房地产业高速发展所遗留下来的问题，我们不仅要保持房地产业稳定发展，更要保持房地产业健康可持续发展，为此要提高房地产业投入产出效率。

（2）房屋建筑面积竣工率、企业平均规模、土地因素、劳动生产率和市场开放程度这5个影响因素的重要性系数之和为0.837，这5个影响因素是提高房地产业综合技术效率的关键，因此，需要加快建设进度，缩短建设周期；合并中小企业，扩大企业规模；管制土地市场；提高劳动生产率；开放市场，构建多元融资模式。

[1]邓宇,揭筱纹.房地产企业战略联盟绩效影响因素及评价模式[J].求索，2009（6）:20-22.

[2]袁峰.房地产上市公司的绩效:基于DEA的2008年报数据分析[J].兰州学刊，2010（1）:124-126.

[3]丁琦，王要武，徐鹏举.基于DEA-FCE的房地产上市公司绩效综合评价[J].系统管理学报，2011（2）:196-201.

[4]陶新元.中国房地产上市公司财务与治理绩效评价[J].统计与决策，2013（7）:56-60.

[5]罗迈.基于DEA的房地产业投入效率分析[J].管理世界, 2014（9）:178-179.

[6]王文嘉,张屹山.我国房地产政策调整对上市公司股票投资价值的影响：基于DEA-DA方法的研究[J].管理世界,2014（10）:174-175.

[7]张红,高帅,杨飞.中国房地产上市公司治理状况与企业绩效关系评价[J].清华大学学报（自然科学版），2015（2）:184-189.

[8]于兆河,褚翠云.价值链会计视角下的房地产企业绩效评价[J].财会月刊，2015（20）:47-49.

[9]周谧,崔侠,徐文静.基于证据推理法的房地产上市公司绩效评价[J].财会月刊，2015（32）:15-20.

[10]韦晓慧.我国房地产上市公司绩效评价研究：基于三阶段DEA的分析法[J].中国房地产（学术版），2015（36）: 20-28.

[11]白云峰.基于DEA方法的上市房地产企业绩效评价研究[D].哈尔滨：哈尔滨商业大学，2015.

[12]沈晨江.房地产上市企业绩效评价[D].重庆：重庆交通大学，2013.

[13]李正辉,袁汝华.基于超效率DEA的房地产业投资绩效评价研究[J].工程管理学报，2013（3）:92-96.

[14]李飞飞,李晓燕.基于DEA的房地产上市公司绩效评价：以北京地区A股为例[J].企业导报，2013（11）:25-25.

（编辑：张薛梅张雪梅）

DEA-and-ANN-Based Performance Evaluation of Henan Province’s Real Estate Industry and Influencing Factors of Performance

YANG Yang-yang,YANG Zhong-xuan
(School of Civil Engineering and Architecture,Zhongyuan University of Technology,Zhengzhou 450007,China)

After building an input-output performance model of Henan Province’s real estate industry based on DEA method,this paper evaluates this sector’s 2005—2014 performance,and,after constructing a performance influence factor model based on ANN method,analyzes and rates these factors.The results show that in the past ten years,the comprehensive technical efficiency value of Henan real estate industry has not been significantly increased,so that the technical efficiency value did not present a big gap from 2005 to 2014;and the following five factors are the key to improving the comprehensive technical efficiency of the real estate sector:completion rate of housing construction,the average size of enterprises,land,labor productivity and market openness.

real estate sector;performance appraisal;influencing factor;DEA;ANN

F 293.332

A

1671-4806（2017）04-0018-05

2017-03-22

河南省科技厅科技攻关项目“基于虚拟组织理论的产业集聚数字化管理技术研究”（162102210091）

杨洋洋（1992—），女，河南周口人，硕士研究生，研究方向为房地产经济与管理；杨中宣（1976—），男，河南郑州人，副教授，博士，研究方向为房地产经济与管理。