王穎林,賴芨宇，郭豐敏

(福建農(nóng)林大學(xué)交通與土木工程學(xué)院，福建 福州 350001)

0 引 言

建設(shè)需求量的增加會帶來社會的發(fā)展，然而，污染問題也會隨之而來，深入探討建設(shè)需求量對經(jīng)濟增長以及環(huán)境保護(hù)具有十分重要的意義.一方面，建設(shè)需求量的預(yù)測可以為開發(fā)商、招標(biāo)企業(yè)和政府的規(guī)劃發(fā)展提供建議.另一方面，建筑業(yè)是世界上廢棄物產(chǎn)生量最多的行業(yè)之一.在中國，城市建筑及拆卸廢物(CDW)已達(dá)到垃圾產(chǎn)生量的30%～40 %，城市化進(jìn)程的加快和城市重建產(chǎn)生的大規(guī)模建設(shè)和拆遷活動是城市廢棄物產(chǎn)生的主要原因[1].因此，建設(shè)需求量的預(yù)測可以為相關(guān)部門提供未來的建設(shè)需求信息，從而有助于提前制定相關(guān)的環(huán)保策略.

根據(jù)建設(shè)經(jīng)濟學(xué)，建設(shè)需求與消費者投資密切相關(guān)，社會總的建筑需求主要取決于投資者投資建設(shè)市場的意愿和能力.因此，在預(yù)測建設(shè)總需求時，可以以建筑安裝工程總投資作為預(yù)測目標(biāo)[2].理論分析和統(tǒng)計經(jīng)驗顯示，建設(shè)安裝工程項目投資與國民收入，國民整體消費，商品零售價格指數(shù)以及人口數(shù)量相關(guān)聯(lián)[3].

在預(yù)測模型建立的過程中，適當(dāng)?shù)慕?jīng)濟指標(biāo)以及預(yù)測技術(shù)的選取對預(yù)測結(jié)果的準(zhǔn)確性具有重要的影響.人工神經(jīng)網(wǎng)絡(luò)是一種非線性數(shù)據(jù)統(tǒng)計的建模工具，通常被用來建立具有復(fù)雜關(guān)系的輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的關(guān)系模型[3].盡管多元回歸分析方法比神經(jīng)網(wǎng)絡(luò)更加傳統(tǒng)，但是在適當(dāng)?shù)臈l件下選用該方法也可以產(chǎn)生相同精度的結(jié)果.

歐陽紅祥等[4]借助BP神經(jīng)網(wǎng)絡(luò)建立了預(yù)測材料價格的模型，從而為建筑企業(yè)投標(biāo)報價時正確預(yù)測材料價格走勢提供了建議.李麗，張海濤[5]利用BP人工神經(jīng)網(wǎng)絡(luò)方法對小城鎮(zhèn)生態(tài)環(huán)境質(zhì)量進(jìn)行了預(yù)測.喻偉[6]等應(yīng)用人工神經(jīng)網(wǎng)絡(luò)來預(yù)測建筑能耗和室內(nèi)熱舒適狀況，建立了基于GA-BP網(wǎng)絡(luò)的建筑能耗和室內(nèi)熱舒適狀況的預(yù)測模型，為建筑師在設(shè)計階段簡單準(zhǔn)確地獲得設(shè)計建筑的能耗和室內(nèi)舒適狀況提供了理論依據(jù).王蓉等[7]以康樂縣為研究對象應(yīng)用多元回歸分析對城鄉(xiāng)用地面積進(jìn)行了預(yù)測.Victor Kipnis 和Douglas Midthune等[8]對回歸分析進(jìn)行了矯正，并對不同數(shù)據(jù)結(jié)構(gòu)中的回歸方法和兩階段法進(jìn)行了討論.杜家龍[9]對我國2012年國內(nèi)生產(chǎn)總值回歸預(yù)測進(jìn)行了實證分析，研究了國內(nèi)生產(chǎn)總值的主要影響因素及回歸預(yù)測的新方法，對完善回歸預(yù)測理論和方法,拓展預(yù)測研究思路,增強預(yù)測方法的選擇性和應(yīng)用性提出了建議.

1 研究的目標(biāo)

本文的目的在于為中國香港和中國內(nèi)地建設(shè)需求量的預(yù)測選取合適的變量及預(yù)測方法，并分析了這兩個地區(qū)近年來建筑需求量的發(fā)展趨勢.研究方法如下：第一，為兩地的建設(shè)需求量預(yù)測分別選擇適當(dāng)?shù)慕?jīng)濟變量；第二，利用回歸分析的方法確定適合的回歸預(yù)測模型；第三，運用人工神經(jīng)網(wǎng)絡(luò)建立模型.最后，對兩種預(yù)測方法產(chǎn)生的中國香港和內(nèi)地的4組預(yù)測模型分別進(jìn)行比較.

2 數(shù)據(jù)選擇

2.1 數(shù)據(jù)選擇——中國香港

由于建設(shè)需求和社會經(jīng)濟指標(biāo)有密切的關(guān)聯(lián)，因此住宅和非住宅建筑的需求可以通過相關(guān)的社會經(jīng)濟指標(biāo)來反映.

對于中國香港而言,與建筑需求量有關(guān)的經(jīng)濟指標(biāo)可以從香港有關(guān)部門的網(wǎng)站(如香港房屋署)得到.其中可以用來描述建設(shè)需求的經(jīng)濟指標(biāo)包括人口規(guī)模(POP)，人均國民收入(NPCI)，相對價格指數(shù)(PI)，它等于居民消費價格指數(shù)除以建造成本指數(shù)，家庭構(gòu)成率(HF)，工業(yè)生產(chǎn)指數(shù)(MPI)，出口值(EXI)，國內(nèi)生產(chǎn)總值(GDP)，政府收入與建設(shè)成本指數(shù)的比率(GRI)，政府開支(GEI)，國民生產(chǎn)總值(GNP)，個人開支(PEI)，國內(nèi)固定資本形成總額(GFCF)，建筑成本指數(shù)(CCI)，居民消費價格指數(shù)(CPI)，政府財政收入(GR)和政府總支出(GTS).除了人口規(guī)模以外，其他經(jīng)濟指標(biāo)的單位為百萬港幣.

2.2 數(shù)據(jù)選擇——中國內(nèi)地

對于不同地區(qū)而言數(shù)據(jù)收集的方式有所區(qū)別，中國內(nèi)地的建設(shè)經(jīng)濟指標(biāo)來源于中國統(tǒng)計年鑒.根據(jù)統(tǒng)計經(jīng)驗和理論分析可知，建設(shè)工程安裝投資與宏觀經(jīng)濟系統(tǒng)有關(guān)，其中包括企業(yè)，銀行和個人的社會行為.因此，一些經(jīng)濟數(shù)據(jù)，如國民收入，國民整體消費，商品零售價格指數(shù)，以及人口等數(shù)據(jù)可以作為因變量來分析建設(shè)需求量[3].

對內(nèi)地而言，有13種初始變量可供選擇，其中包括人口規(guī)模(POP)，國內(nèi)貸款(DL)，外國投資(FI)，自籌資金(SF)，人均國民收入(NPCI)，相對價格指數(shù)(PI)，等于居民消費價格指數(shù)與建設(shè)成本指數(shù)的比值，利率(INT)，工業(yè)生產(chǎn)指數(shù)(MPI)，出口值(EXI)，國內(nèi)生產(chǎn)總值(GDP)，政府收入與建筑成本指數(shù)的比值(GRI)，政府開支(GEI)，國民生產(chǎn)總值(GNP).除了人口規(guī)模以外，其他經(jīng)濟指標(biāo)的單位為億元.

3 多元回歸分析方法

3.1 應(yīng)用多元回歸法對香港建設(shè)需求的預(yù)測

如第二部分所述，在進(jìn)行多元回歸模型(MR)建立時對中國香港而言有15種經(jīng)濟變量可供選擇，但需要通過逐步回歸模型對其中與預(yù)測模型關(guān)聯(lián)度較小的變量進(jìn)行剔除.確定變量的R2是為了使得該值足夠大從而保證該變量能夠準(zhǔn)確描述模型的發(fā)展趨勢.T檢驗則是用于判斷該變量是否與模型具有足夠的相關(guān)性，從而準(zhǔn)確地描述預(yù)測模型.對于不能準(zhǔn)確描述模型走勢以及相關(guān)性不強的變量應(yīng)予以剔除.

首先，用SPSS軟件對上述15個變量進(jìn)行相關(guān)性分析，從而可以剔除8個相關(guān)性較差的經(jīng)濟指標(biāo)，它們分別是MPI, GNP, PEI, GFCF, CCI, CPI, GR, GTS.

在剩余的7個經(jīng)濟指標(biāo)中，首先應(yīng)用POP，NCPI，PI和GRI來構(gòu)建第一個模型，其中Y是建筑總需求的預(yù)測值.在這個模型中，可以得到R2=0.858，這意味著85.8%的總變異可以在這個回歸模型中得到解釋.當(dāng)國內(nèi)生產(chǎn)總值和政府總支出加入模型一之后可以得到第二個模型的R2=0.968，顯然這里的R2大于第一個模型.

HF和GEI加入第二個模型后，不僅使得R2增加，T檢驗的顯著性也有所提高，這意味著該模型更適合描述預(yù)測數(shù)據(jù)的走勢.因此，POP,GDP,NCPI,GEI,PI,GRI以及HF作為預(yù)測模型的經(jīng)濟變量.

數(shù)據(jù)選擇的過程就是將不同的變量分別加入模型，并進(jìn)行準(zhǔn)確性分析，從而得出可選擇的適當(dāng)?shù)淖兞?對不同變量組合的模型比較后，圖1模型對于描述預(yù)測值而言具有相對較高的準(zhǔn)確度：

Y=66.13XPOP-0.52XGDP+0.66XNCPI+0.95XGEI+1.07XGTS+0.25XPI-0.52XGRI-72.22XHF

圖1 中國香港MR預(yù)測模型Fig.1 MR forecasting model for HK

3.2 應(yīng)用多元回歸法對內(nèi)地建設(shè)需求的預(yù)測

與對中國香港地區(qū)進(jìn)行建模時所采用的方法一樣，第一步是選擇與預(yù)測值有較強相關(guān)性的影響因子.通過SPSS軟件對13個經(jīng)濟變量進(jìn)行分析后，3個關(guān)聯(lián)性較弱的指標(biāo)(FI，GDP和GNP)被剔除.

在第一階段中，選擇5個經(jīng)濟指標(biāo)(POP，NCPI，PI，INT和GRI)進(jìn)行建模，并得到R2=0.859 4，這一數(shù)值不具有較強的模型解釋力度.將剩余的經(jīng)濟指數(shù)進(jìn)行代入，將建模過程重復(fù)3次，并對這些模型進(jìn)行比較，得到的相對最合適的預(yù)測模型如圖2.

Y=-397.24+33.84XPOP-0.188XDL-0.014XNCPI+4.759XPI+0.92XINT-3.4XMPI+1.1XEXI-2XGRI+0.87XGEI

圖2 中國內(nèi)地MR預(yù)測模型Fig.2 MR forecasting model for Mainland China

4 人工神經(jīng)網(wǎng)絡(luò)分析法

4.1 利用ANN在中國香港的建設(shè)需求預(yù)測

確定隱藏層節(jié)點的數(shù)量是人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立過程中的難點之一[4].如果隱藏節(jié)點太少，那么模型的準(zhǔn)確性會受到影響，如果節(jié)點過多，則會導(dǎo)致網(wǎng)絡(luò)訓(xùn)練過度并影響模型的特性.

在運用ANN對中國香港的數(shù)據(jù)進(jìn)行預(yù)測的過程中發(fā)現(xiàn)，設(shè)置5個輸入變量，每個隱藏層建立4個節(jié)點的模型可以達(dá)到預(yù)測目標(biāo)的準(zhǔn)確度.通過訓(xùn)練可知，對于香港地區(qū)的數(shù)據(jù)而言，最佳的網(wǎng)絡(luò)結(jié)構(gòu)是5-4-1，即網(wǎng)絡(luò)的輸入節(jié)點數(shù)目是5，隱藏節(jié)點的數(shù)量是4，同時只有一個輸出值.

可得R2= 0.99，因此可以明顯看出人工神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的訓(xùn)練與實際數(shù)據(jù)的貼合度較高，能夠很好地解釋數(shù)據(jù)的發(fā)展趨勢，見圖3.

圖3 中國香港ANN預(yù)測模型Fig.3 ANN forecasting model for HK

4.2 利用ANN在中國內(nèi)地的建設(shè)需求預(yù)測

對于中國內(nèi)地的數(shù)據(jù)而言，有9個輸入指標(biāo)，因此輸入層具有9個節(jié)點.經(jīng)過反復(fù)訓(xùn)練可知，一個隱藏層中設(shè)計6個節(jié)點得出的計算結(jié)果具有較高的準(zhǔn)確性.因此，內(nèi)地預(yù)測數(shù)據(jù)的最佳網(wǎng)絡(luò)結(jié)構(gòu)是9-6-1，表示輸入節(jié)點的數(shù)目為9，隱藏節(jié)點的數(shù)目是6，且只有一個輸出.

經(jīng)過網(wǎng)絡(luò)訓(xùn)練可得判定系數(shù)R2= 0.96，這意味著ANN建立的模型可以解釋預(yù)測數(shù)據(jù)96%的總變異.雖然這里的R2=0.96與回歸模型計算的R2=0.958幾乎相同，但ANN模型所產(chǎn)生的數(shù)據(jù)趨勢圖大大優(yōu)于回歸繪制的結(jié)果，見圖4.

圖4 中國大陸ANN預(yù)測模型Fig.4 ANN forecasting model for Mainland China

5 模型比較

首先，通過多元回歸模式，將中國香港和中國內(nèi)地兩者之間的預(yù)測結(jié)果進(jìn)行比較.正如上述步驟計算出的結(jié)果，中國香港和中國內(nèi)地的R2分別為0.97和0.958，相差僅為0.012.這表明通過回歸模式，在發(fā)達(dá)地區(qū)和發(fā)展中地區(qū)得出的結(jié)果幾乎是一樣精確的.

第二，使用人工神經(jīng)網(wǎng)絡(luò)比較中國香港和中國內(nèi)地的預(yù)測結(jié)果.通過人工神經(jīng)網(wǎng)絡(luò)模型得出兩個地區(qū)具有不同的R2，中國香港和中國內(nèi)地分別是0.99和0.96.我們可以看出，雖然對香港預(yù)測時采用的數(shù)據(jù)量少于內(nèi)地，但是模型偏差比內(nèi)地更小.

第三，在多元回歸模式和人工神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上對香港的預(yù)測結(jié)果進(jìn)行比較.對于中國香港來說，很明顯可以看出由人工神經(jīng)網(wǎng)絡(luò)的擬合模型遠(yuǎn)遠(yuǎn)優(yōu)于回歸方法.這兩個模型的預(yù)測準(zhǔn)確度可以通過偏差值反映出來.人工神經(jīng)網(wǎng)絡(luò)和回歸模式的R2分別為0.99和0.97.雖然這兩種模式都能夠產(chǎn)生準(zhǔn)確的預(yù)測結(jié)果，由于中國香港地區(qū)的房地產(chǎn)市場處于不穩(wěn)定波動狀態(tài)，人工神經(jīng)網(wǎng)絡(luò)模式在描述具有非線性關(guān)系的數(shù)據(jù)時具有明顯優(yōu)勢，因此ANN產(chǎn)生的預(yù)測數(shù)據(jù)走勢比回歸分析模型具有更好的擬合度.

最后，將多元回歸模式和人工神經(jīng)網(wǎng)絡(luò)預(yù)測對中國內(nèi)地的預(yù)測結(jié)果進(jìn)行比較.對于中國內(nèi)地而言，無論是通過回歸分析模型或人工神經(jīng)網(wǎng)絡(luò)方法，所產(chǎn)生的偏差幾乎是一樣的.由于中國的房地產(chǎn)市場相對穩(wěn)定，呈現(xiàn)出了逐漸上升的趨勢.因而，兩種方法在預(yù)測時都可以得出較準(zhǔn)確的結(jié)論.

6 結(jié) 語

在預(yù)測的過程中，合適的經(jīng)濟指標(biāo)的選擇對于預(yù)測結(jié)果的準(zhǔn)確度具有至關(guān)重要的影響.例如，對于中國香港而言，約有15個與建設(shè)需求相關(guān)的經(jīng)濟指標(biāo)可供選擇，然而，根據(jù)回歸分析法和人工神經(jīng)網(wǎng)絡(luò)的特性，一些關(guān)聯(lián)性不高的變量要予以適當(dāng)剔除.

本文用兩種不同的預(yù)測方法對中國香港和中國內(nèi)地的建筑需求量進(jìn)行分析，產(chǎn)生了4個不同的模型.從理論上講，由于神經(jīng)網(wǎng)絡(luò)模型內(nèi)在特性，輸入和輸出變量之間的非線性關(guān)系可以自動獲得，因此，神經(jīng)網(wǎng)絡(luò)模型與回歸模型相比可能產(chǎn)生更加精確的結(jié)果.中國香港的數(shù)據(jù)分析的例子便可證明這一判斷.但對于中國內(nèi)地而言，兩種方法產(chǎn)生了精確度幾乎相同的結(jié)果.從中國香港及中國內(nèi)地的預(yù)測結(jié)果中可以看出，在未來幾年里，建設(shè)需求量呈增長趨勢.這意味著雖然未來的經(jīng)濟發(fā)展趨勢良好，但也將會有更多的建筑垃圾產(chǎn)生.因此，有關(guān)當(dāng)局應(yīng)采取一些有效的措施來處理和回收不斷增長的建筑垃圾，從而保護(hù)環(huán)境、節(jié)約能源.

致 謝

感謝國家社會科學(xué)基金委員會的資金支持.

參考文獻(xiàn):

[1] 趙利,鹿吉祥,顧洪濱.建筑垃圾綜合治理產(chǎn)業(yè)化運作與對策研究[J]．建筑經(jīng)濟，2011(5)：16-20．

ZHAO Li, LU Ji-xiang,GU Hong-bin.Comprehensive management of construction waste Industrial Operation and Countermeasures[J]．Construction Economics，2011(5)：16-20．(in Chinese)

[2] 趙黎明，沈艷豐，宮曉玲.建筑市場需求預(yù)測中的神經(jīng)網(wǎng)絡(luò)方法[J].系統(tǒng)工程理論與實踐，2000(10)：121-125.

ZHAO Li-ming, SHEN Yan-feng, GONG Xiao-ling.Neural Networks Using in Construction Market Demand Forecasting [J].Systems Engineering Theory and Practice,2000(10)：121-125. (in Chinese)

[3] Khanna T. Foundation of Neural Networks [M]. Boston:Addison-Wesley,1990.

[4] 歐陽紅祥，李欣，張信娟.人工神經(jīng)網(wǎng)絡(luò)在建筑材料價格預(yù)測中的應(yīng)用[J].武漢理工大學(xué)學(xué)報:信息與管理工程版, 2013(1):115-118.

OUYANG Hong-xiang, LI Xin,ZHANG Xin-juan.Construction Materials Price Prediction by using Artificial Neural Networks[J].Wuhan University of Technology: Information & Management Engineering，2013(1):115-118.(in Chinese)

[5] 李麗，張海濤.基于BP人工神經(jīng)網(wǎng)絡(luò)的小城鎮(zhèn)生態(tài)環(huán)境質(zhì)量評價模型[J]．應(yīng)用生態(tài)學(xué)報,2008(12)：2693-2698．

LI Li,ZHANG Hai-tao.Small Towns Ecological Environment Quality Evaluation Model based on BP Artificial Neural Network[J]．Journal of Applied Ecology,2008(12)：2693-2698．(in Chinese)

[6] 喻偉，李百戰(zhàn)，楊明宇，等.基于人工神經(jīng)網(wǎng)絡(luò)的建筑多目標(biāo)預(yù)測模型[J]．中南大學(xué)學(xué)報：自然科學(xué)版，2012(12)：4949-4955．

YU Wei,LI Bai-zhan,YANG Ming-yu,et al.Architecture multi-target prediction mo del based on artificial neural network[J]．Central South University:Natural Science Edition,2012(12)：4949-4955．

[7] 王蓉，張仁陟，陳英.基于多元回歸分析和灰色模型的康樂縣城鄉(xiāng)建設(shè)用地預(yù)測[J]．甘肅農(nóng)業(yè)大學(xué)學(xué)報，2012(1)：134-139．

WANG Rong,ZHANG Ren-bu,CHEN Ying.Kang Le County Rural Construction Land Prediction based on Multivariate Regression Analysis and Gray Model[J]．Journal of Gansu Agricultural University，2012(1)：134-139．(in Chinese)

[8] Victor Kipnis, Douglas Midthune, Laurence S Freedman,et al.Regression calibration with more surrogates than mismeasured variables[J]．Statist Med，2012,31:23.

[9] 杜家龍.國內(nèi)生產(chǎn)總值回歸預(yù)測新探[J]．統(tǒng)計與決策,2013(9)：9-14．

DU Jia-long.GDP regression Exploration[J]．Statistics and Decision,2013(9)：9-14．(in Chinese)