■ 趙振洋 王若天

當前，人工智能在經(jīng)濟社會各個領(lǐng)域之中不斷地融合發(fā)展，基于各種人工智能的新業(yè)態(tài)正在逐漸成為新的經(jīng)濟增長動力。人工智能依托互聯(lián)網(wǎng)技術(shù)，以數(shù)據(jù)分析為基礎(chǔ)，逐漸發(fā)展完善并運用到了各行各業(yè)之中，對于傳統(tǒng)的預測和分析方法帶來了革新。

傳統(tǒng)資產(chǎn)評估在數(shù)據(jù)量和評估經(jīng)費方面存在客觀的劣勢，資產(chǎn)評估師獲取信息和數(shù)據(jù)的方式有限，只能通過實地勘察或自己公司存檔的案例進行查閱學習。并且，傳統(tǒng)的資產(chǎn)評估方法也不可避免的存在著大量的主觀性，對于評估結(jié)果的客觀公允產(chǎn)生了一定的影響，如何最大限度的消除評估過程中的主觀性，最大程度的建立一套客觀的評估體系，也是新時代經(jīng)濟社會發(fā)展的一大要求。

一、房地產(chǎn)評估領(lǐng)域人工智能的發(fā)展現(xiàn)狀

人工智能（Artificial Intelligence），英文縮寫為AI。它是計算機科學的一門分支，是通過對人的意識、思維的信息過程的模擬，來研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學。

人工智能是一門前沿學科，屬于自然科學、社會科學、技術(shù)科學三向交叉學科，幾乎涉及到了包括哲學、認知科學、數(shù)學和計算機科學等在內(nèi)的所有學科。其具體的應(yīng)用范疇囊括了語言的學習與處理、知識表現(xiàn)、智能搜索、推理、規(guī)劃、機器學習、知識獲取、組合調(diào)度問題、感知問題、模式識別、邏輯程序設(shè)計等方面。

房地產(chǎn)價格是一個復雜的經(jīng)濟范疇，既包括土地的價格，又包括房屋建筑物的價格，房與地是不可分割的統(tǒng)一體，房地產(chǎn)價格是這個統(tǒng)一物的價格。房地產(chǎn)價格的形成機制與一般商品價值相同，都是人類勞動智慧的結(jié)晶，具有價值。

房地產(chǎn)估價，全稱房地產(chǎn)價格評估，就是對房地產(chǎn)進行估價。即由持有《房地產(chǎn)估價人員崗位合格證書》或《房地產(chǎn)估價師注冊證》的專業(yè)人員，根據(jù)估價目的，遵循估價原則，按照估價程序，運用估價方法，在綜合分析，影響房地產(chǎn)價格因素的基礎(chǔ)上，結(jié)合估價經(jīng)驗及對影響房地產(chǎn)價格因素的分析，對房地產(chǎn)的特定權(quán)益，在特定時間最可能實現(xiàn)的合理價格所作出的估計、推測與判斷。

目前人工智能已經(jīng)在資產(chǎn)評估的部分領(lǐng)域進行了嘗試應(yīng)用，也取得了一定的成果。以房地產(chǎn)評估為例，當今的房地產(chǎn)評估行業(yè)的人工智能的發(fā)展呈現(xiàn)出兩種方向，如圖1所示，一種是以構(gòu)建房地產(chǎn)估價系統(tǒng)平臺為代表的自上而下的“因——果”式發(fā)展思路，另一種是以搭建新人工智能房地產(chǎn)實際成交價預測模型為代表的自下而上的“果——因”式發(fā)展思路。

圖1 房地產(chǎn)行業(yè)人工智能發(fā)展模式示意圖

人工智能的第一種模式是模擬人們解決問題的認知流程，以“專家系統(tǒng)”為代表，用大量“如果——就”的規(guī)則定義，用自上而下的“因——果”思路來模擬人們對事物的認知，也就是直接模擬人的認知判斷過程來進行編程運用，本質(zhì)是從大量的“如果——就”判斷中得出一個最好的步驟。此種模式在房地產(chǎn)評估行業(yè)的應(yīng)用的具體表現(xiàn)就是各大評估機構(gòu)所搭建的各類房地產(chǎn)估價系統(tǒng)平臺。如圖2所示，目前的估價系統(tǒng)（產(chǎn)品）主要有估價作業(yè)系統(tǒng)、估價業(yè)務(wù)與報告發(fā)送平臺、估價業(yè)務(wù)與報告發(fā)送平臺、房地產(chǎn)數(shù)據(jù)服務(wù)系統(tǒng)等幾種。

圖2 房地產(chǎn)估價系統(tǒng)平臺分類示意圖

人工智能的另一個分支則是以人工神經(jīng)網(wǎng)絡(luò)為代表的新型估值模型的產(chǎn)生。人工神經(jīng)網(wǎng)絡(luò)則不是模擬人們思維解決問題的思路，而是直接從底層模擬大腦神經(jīng)元的結(jié)構(gòu)思路。它從信息處理的角度對人腦神經(jīng)元網(wǎng)絡(luò)進行抽象，建立某種簡單的模型，并依照不同的連接方式構(gòu)建出不同的網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)標志著另外一種自下而上的“果——因”思路，不需要給出既定規(guī)則，只要給出足夠的數(shù)據(jù)，讓其自行發(fā)現(xiàn)規(guī)則，發(fā)現(xiàn)連接，從而開辟一條全新的認知道路。

二、BP神經(jīng)網(wǎng)絡(luò)模型概述

BP神經(jīng)網(wǎng)絡(luò)，是目前人工智能領(lǐng)域應(yīng)用較廣的一種人工智能神經(jīng)模型。本文擬采用此神經(jīng)網(wǎng)絡(luò)模型，探討其在房地產(chǎn)評估中的可行性問題。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN），亦被稱為神經(jīng)網(wǎng)絡(luò)（Neural Networks，NN），是由大量處理單元（神經(jīng)元Neurons）廣泛互連而成的網(wǎng)絡(luò)，是對人腦的抽象、簡化和模擬，反映人腦的基本特性。BP網(wǎng)絡(luò)（Back-Propagation Network），是一種多層前饋神經(jīng)網(wǎng)絡(luò)，名字源于網(wǎng)絡(luò)權(quán)值的調(diào)整規(guī)則，采用的是后向傳播學習算法，即BP學習算法。

感知器的學習是神經(jīng)網(wǎng)絡(luò)最典型的學習。目前，在控制上應(yīng)用的是多層前饋網(wǎng)絡(luò)，這是一種感知器模型，學習算法是BP法。

多層感知器神經(jīng)網(wǎng)絡(luò)（MLP）算法在輸入層和輸出層之間添加了一個或多個隱含層，其典型輸入輸出關(guān)系如下式（以隱含層第j神經(jīng)元為例）：

f是某種線性函數(shù)，通常為Sigmoid函數(shù)：

在實際網(wǎng)絡(luò)中，λ常取1，vj是隱含層第j個神經(jīng)元的輸出，uj的輸出，也即隱含層第j個神經(jīng)元的第i個輸入，ωi是連接輸入層第i個神經(jīng)元與隱含層第j個神經(jīng)元的連接權(quán)（即連接強度），Tj是隱含層第j個神經(jīng)元的闋值（修正值）。理論證明，層數(shù)大于（或等于）3的BP可用來進行任意復雜的模式識別。在本模型中，感知器中的輸入神經(jīng)元個數(shù)由信息單元特征向量的維數(shù)決定，輸出神經(jīng)元個數(shù)由冗余度的等級數(shù)決定。

三、神經(jīng)網(wǎng)絡(luò)在市場法中的應(yīng)用

（一）神經(jīng)網(wǎng)絡(luò)應(yīng)用于房地產(chǎn)評估的可行性

BP神經(jīng)網(wǎng)絡(luò)作為評估智能化的一種預測手段，可以應(yīng)用于傳統(tǒng)的市場法評估實務(wù)中去，這將會大大減少評估實務(wù)的工作量，提高工作效率，同時保證了評估的精確度，減少評估誤差。BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于，相較于傳統(tǒng)的線性回歸方法，BP神經(jīng)網(wǎng)絡(luò)模型可以解決大量的非線性問題，同時其樣本數(shù)據(jù)可以不斷更新，每完成一次評估工作，即可以將該評估數(shù)據(jù)歸入評估數(shù)據(jù)庫，使得該項評估工作得以多次循環(huán)利用，從而將評估工作的重點，由傳統(tǒng)的側(cè)重于評估方法的應(yīng)用轉(zhuǎn)變?yōu)樵u估數(shù)據(jù)庫的維護，進一步降低評估工作成本。

（二）構(gòu)建房地產(chǎn)價格因素的評估指標體系

1.住宅房地產(chǎn)評估影響因素的分類

房地產(chǎn)價格受到多種影響因素的影響，設(shè)定房地產(chǎn)價格評估指標體系必須首先合理劃分房地產(chǎn)價格的各項影響因素，然后分析影響因素的合理性和客觀性，選取那些具有動態(tài)性和概括性地反映某一時間、某一地區(qū)房地產(chǎn)價格的影響因素，將其納入到房地產(chǎn)評估指標體系中去。

住宅房地產(chǎn)價格是眾多因素相互影響、相互作用的結(jié)果。影響住宅房地產(chǎn)價格的因素整體可以分為住宅房地產(chǎn)價格宏觀因素和微觀因素兩類。實務(wù)操作中，為了便于歸類量化計算，常常只將上述微觀因素中的交易日期、交易情況、區(qū)域因素和個別因素加以考慮，而宏觀因素都采用評估假設(shè)的方法在評估之前便提前假定宏觀因素不發(fā)生變化。

住宅房地產(chǎn)宏觀影響因素包括政治因素、政策因素、經(jīng)濟因素和社會因素。

1）政治因素。政治因素主要包括了國際關(guān)系、國內(nèi)政局、產(chǎn)權(quán)制度和法律環(huán)境等因素。

2）政策因素。對住宅建筑物價格具有影響的主要政策因素有區(qū)域發(fā)展政策、住房政策、土地開發(fā)政策、信貸資產(chǎn)、貨幣政策、限購政策和稅收政策等。

3）經(jīng)濟因素。經(jīng)濟因素包括了經(jīng)濟發(fā)展狀況、經(jīng)濟結(jié)構(gòu)、居民收入、城市化水平、消費者結(jié)構(gòu)等。

4）社會因素。社會因素包括人口、教育、科技、文藝、道德、宗教、價值觀念、風俗習慣、社會治安、媒體訊息等。

住宅房地產(chǎn)微觀影響因素包括交易日期、交易情況、區(qū)域因素和個別因素等。

1）交易日期。交易日期因素主要體現(xiàn)了不同交易日期間住宅房地產(chǎn)價格的波動和房地產(chǎn)隨時間升值的自身特性。

2）交易情況。交易情況因素考慮了關(guān)聯(lián)交易情形、急于變現(xiàn)交易情形、特殊房產(chǎn)交易情形、交易方是否缺乏了解、相鄰房地產(chǎn)的合并交易和交易稅非正常負擔等相關(guān)因素。

3）區(qū)域因素。區(qū)域因素包括了商服繁華度、交通便捷度、醫(yī)療衛(wèi)生、文化教育、環(huán)境質(zhì)量優(yōu)劣、綠地覆蓋率、基礎(chǔ)設(shè)施完備度、公用設(shè)施完備度和規(guī)劃限制等因素。

4）個別因素。個別因素包括了小區(qū)所處位置、臨街狀況、新舊程度、樓層、朝向、建筑結(jié)構(gòu)、建筑質(zhì)量、住宅房型布局、權(quán)利狀況、裝修水平、設(shè)備狀況和物業(yè)管理等因素。

2.房地產(chǎn)價格因素的評估指標體系確定

由于在評估實務(wù)中，對于影響房地產(chǎn)價格的宏觀因素多采用評估假設(shè)提前假定，此類宏觀因素多不納入房地產(chǎn)價格因素評估指標體系的考慮范圍內(nèi)。房地產(chǎn)價格因素評估指標應(yīng)考慮到該項指標的實用性和可操作性，因此，在實際參考了房地產(chǎn)評估實務(wù)工作人員的意見后，最終將包括交易日期、交易情況、區(qū)域因素和個別因素在內(nèi)的微觀因素納入房地產(chǎn)價格因素的評估指標體系。

3.評估指標體系量化方法

由于在影響房地產(chǎn)價格因素的評估指標體系中既有定性指標又有定量指標，因此考慮到各指標在整個評估體系中的可比性，應(yīng)將定性指標進行量化處理。針對定性指標，往往通過等級打分法來進行區(qū)分，但由于不同指標在實際房地產(chǎn)價格評估過程中的影響程度不同，劃分等級的個數(shù)也應(yīng)該做到有針對性的詳略。為了進一步細化和規(guī)范等級打分法的具體應(yīng)用，提高影響因素的量化準確度，本文借鑒了遼寧眾華資產(chǎn)評估機構(gòu)等在房地產(chǎn)評估實務(wù)中的房產(chǎn)價格影響因素權(quán)重模型，如表1所示。并根據(jù)每種影響因素的不同權(quán)重，在詢問評估實務(wù)人員的意見和參考了評估工作經(jīng)驗的基礎(chǔ)上，最終確定了不同影響因素在等級打分法時對應(yīng)的具體等級劃分內(nèi)容，如表2所示。

表1 房地產(chǎn)評估實務(wù)影響因素權(quán)重模型

4.市場法中評估指標體系的構(gòu)建

所選取的23個因素指標當中，第1個為交易日期因素指標，第2個為交易情況因素指標，第3-11個為區(qū)域因素指標，第12-23為個別因素指標。匯總得到各項影響因素的量化標準如表3。

（三）市場法下神經(jīng)網(wǎng)絡(luò)評估模型設(shè)計

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建住宅房地產(chǎn)評估模型的基本思路是：房價與其影響因素之間的關(guān)系是未知的，無法給出一個具體的數(shù)學模型，各影響因素重要性的權(quán)重也無法提供，但是可以收集到一定數(shù)量的樣本，并且能夠合理量化這些樣本的房價及其影響因素。應(yīng)用神經(jīng)網(wǎng)絡(luò)模型，將住宅房產(chǎn)樣本價格的各種影響因素作為輸入，住宅房產(chǎn)樣本的價格作為輸出，通過樣本學習，確定網(wǎng)絡(luò)的結(jié)構(gòu)和學習參數(shù)；神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定了，并己知網(wǎng)絡(luò)的層數(shù)、各層的神經(jīng)元結(jié)點數(shù)以及各結(jié)點之間的連接權(quán)值，這樣就建立了房價與其影響因素之間的非線性關(guān)系；測算房地產(chǎn)價格時，只要輸入待測樣本的價格影響因素量化值，就可輸出該樣本的價格。

表2 等級打分法各項影響因素等級劃分標準

續(xù)表

四、基于神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)評估實證分析

（一）樣本選擇及歸一化

1.樣本選擇

以房地產(chǎn)市場上交易最活躍也最具代表性的普通住宅為研究對象，通過分析神經(jīng)網(wǎng)絡(luò)模型對于住宅型房地產(chǎn)價格的預測功能，來印證人工智能估價模型在房地產(chǎn)評估領(lǐng)域的適用性。

本文案例均為遼寧省大連市的真實房地產(chǎn)交易案例。選擇案例時的考慮因素主要有以下4方面：交易日期以近期為主，主要選擇2017年10月的案例；樣本覆蓋大連市所有行政區(qū)；樣本是有區(qū)域代表性的住宅房地產(chǎn)；評估案例已進行實際成交。共篩選并選取出了50個樣本，其中40個樣本作為神經(jīng)網(wǎng)絡(luò)模型的測試樣本，10個樣本作為神經(jīng)網(wǎng)絡(luò)模型的檢測樣本。

2.構(gòu)建樣本數(shù)據(jù)集

根據(jù)表3中的影響因素量化標準，得到樣本影響因素的量化結(jié)果。

3.樣本歸一化

通常情況下，神經(jīng)網(wǎng)絡(luò)的輸入/輸出數(shù)據(jù)應(yīng)介于0到1之間，由于本文所構(gòu)建的模型中并不滿足這樣的要求，因此需要對選取的樣本數(shù)據(jù)進行歸一化處理。歸一化方法的形式多種多樣，包括最大最小法，Z-Score法等，本文采用如下方法進行歸一化的處理：

同樣的，在MLP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的訓練和測試完成之后，需要對其輸出結(jié)果進行反歸一化處理，將預測輸出的預測值由[O，1]之間轉(zhuǎn)換為網(wǎng)絡(luò)的實際輸出值。本文采用的反歸一化的處理方法如下：

（二）建立住宅價格評估模型

利用神經(jīng)網(wǎng)絡(luò)預測方法建立住宅價格評估模型，必須事先確定好網(wǎng)絡(luò)輸入層節(jié)點數(shù)、隱含層節(jié)點數(shù)、輸出層節(jié)點數(shù)、

1.網(wǎng)絡(luò)層數(shù)的確定

理論上已經(jīng)證明，具有偏差和至少一個S型隱含層加上一個線性輸出層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)。增加網(wǎng)絡(luò)層數(shù)可以降低誤差，從而提高精度，但同時也會使神經(jīng)網(wǎng)絡(luò)復雜化，增加網(wǎng)絡(luò)權(quán)值的訓練時間。而實際上提高神經(jīng)網(wǎng)絡(luò)模型的精度，也可以通過增加隱含層中包含的神經(jīng)元數(shù)目來獲得，并且其訓練效果比增加隱含層層數(shù)更便于觀察及調(diào)整，因此在一般情況下，應(yīng)當優(yōu)先考慮單隱層網(wǎng)絡(luò)結(jié)構(gòu)。本文因此采用具有單隱層的三層網(wǎng)絡(luò)。

2.網(wǎng)絡(luò)輸入層和輸出層節(jié)點數(shù)的確定

BP網(wǎng)絡(luò)的輸入和輸出層的節(jié)點數(shù)一般是由網(wǎng)絡(luò)的用途和研究工作的實際情況來決定。輸入層節(jié)點的多少與影響房住宅價格因素的個數(shù)相對應(yīng)，本文選取并量化了23個影響住宅價格的因素，故輸入節(jié)點數(shù)為23。因模型是用于預測住宅房地產(chǎn)價格，因此確定輸出節(jié)點數(shù)為1。

3.隱含層節(jié)點數(shù)的確定

隱含層節(jié)點數(shù)選擇是否合適是應(yīng)用BP網(wǎng)絡(luò)成功與失敗的關(guān)鍵因素之一，如果層數(shù)太少，學習過程可能不收斂或不能達到網(wǎng)絡(luò)誤差的要求；如果層數(shù)過大，則增加網(wǎng)絡(luò)結(jié)構(gòu)的復雜性，使網(wǎng)絡(luò)的學習速度變慢并難以收斂。目前，最佳隱含層節(jié)點數(shù)的選擇尚無理論指導，但存在以下三個經(jīng)驗公式：

其中M表示隱含層節(jié)點數(shù)，N表示輸入層節(jié)點數(shù)，L表示輸出層節(jié)點數(shù)，表示1到10之間的一個常數(shù)。

根據(jù)上述三個經(jīng)驗公式，得到的此次神經(jīng)網(wǎng)絡(luò)應(yīng)確定的隱含層個數(shù)為[4，15]之間的一個常數(shù)。并且，當隱含層個數(shù)為4-15之間的一個常數(shù)時，神經(jīng)網(wǎng)絡(luò)都可以在10,000次訓練內(nèi)收斂，經(jīng)過對測試數(shù)據(jù)進行統(tǒng)計分析，不同隱含層個數(shù)對應(yīng)的平均誤差及相關(guān)系數(shù)如圖3。

由圖4可知，隱含層節(jié)點數(shù)的改變會引起平均誤差和相關(guān)系數(shù)的改變，二者都隱含層節(jié)點數(shù)的增加呈現(xiàn)波浪式變化。綜合來看，當隱含層節(jié)點數(shù)為8時，測試部分樣本的平均誤差最小，并且所有樣本誤差均在設(shè)定的最大誤差范圍之內(nèi)，同時相關(guān)系數(shù)也較大，整體效果最好。所以最后確定網(wǎng)絡(luò)的最佳隱含層節(jié)點數(shù)為8。

4.最大誤差指標的確定

通過向遼寧省眾華資產(chǎn)評估公司的考察，選取其房地產(chǎn)評估實務(wù)中可允許的最大10%的估價允許誤差作為本次網(wǎng)絡(luò)模型中的最大誤差指標。

圖3 不同隱含層節(jié)點數(shù)下的測試平均誤差

圖4 不同隱含層節(jié)點數(shù)下的測試相關(guān)系數(shù)

（三）訓練神經(jīng)網(wǎng)絡(luò)模型

數(shù)據(jù)輸入后，利用不同的神經(jīng)網(wǎng)絡(luò)學習算法，合理確定網(wǎng)絡(luò)的隱含層層數(shù)和神經(jīng)元節(jié)點數(shù)，并為各層網(wǎng)絡(luò)選擇合理的訓練函數(shù)，對網(wǎng)絡(luò)模型進行訓練。計算各層神經(jīng)元之間的權(quán)值、閾值。進而利用各層間的傳遞函數(shù)，逐層遞進運算，從而得出最終的輸出結(jié)果與網(wǎng)絡(luò)模型。

樣本訓練時，如果訓練次數(shù)已超過最大訓練次數(shù)時，網(wǎng)絡(luò)還沒有訓練成功，則進行回判檢查，若發(fā)現(xiàn)某個樣本誤差很大，而其它樣本的誤差卻遠小于它，則應(yīng)去掉該樣本，繼續(xù)學習，重復以上操作直到收斂。如果沒有發(fā)現(xiàn)異常的樣本，則調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)及學習參數(shù)，重新訓練網(wǎng)絡(luò)，直到網(wǎng)絡(luò)訓練成功。

將選擇的檢測樣本，測試已學習好的神經(jīng)網(wǎng)絡(luò)，得到樣本檢測誤差，判斷建立好的模型是否滿足要求，如果不滿足要求，應(yīng)回到第一步，直到滿足要求。

利用MATALAB對于神經(jīng)網(wǎng)絡(luò)模型進行訓練，得到的訓練樣本部分的預測值與房地產(chǎn)實際成交價值的對比如圖5所示。神經(jīng)網(wǎng)絡(luò)模型的訓練精度相當高，相關(guān)系數(shù)為0.99982。因此，訓練樣本的預測擬合效果較為理想。

圖5 訓練部分BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果示意圖

并且，如圖6所示，通過對于訓練部分BP神經(jīng)網(wǎng)絡(luò)預測誤差曲線的分析，可以看出神經(jīng)網(wǎng)絡(luò)預測模型的收斂速度非?？?，只運行了4個epoch就達到了網(wǎng)絡(luò)誤差平方和期望的要求。因此，訓練樣本通過了誤差檢驗，本次神經(jīng)網(wǎng)絡(luò)模型所選參數(shù)是合適的。

圖6 訓練部分BP神經(jīng)網(wǎng)絡(luò)預測誤差曲線

五、測試結(jié)果分析及評價

建立好的模型需要對其準確性和可靠性進行驗證，因此將測試樣本集數(shù)據(jù)代人到上述建立好的模型中，并得出預測結(jié)果。利用以上建立的神經(jīng)網(wǎng)絡(luò)模型，所得出的檢檢測部分的住宅房地產(chǎn)評估預測值與實際成交價格對比分析圖如圖7所示。

由BP神經(jīng)網(wǎng)絡(luò)模型與房地產(chǎn)實際成交價值的對比圖可以看出，BP神經(jīng)網(wǎng)絡(luò)模型對于房地產(chǎn)成交價值的預測功能較為強大，預測模型的相對誤差和實際誤差如表4所示：

通過對以上所建立的模型的預測結(jié)果進行對比分析，可以證實BP神經(jīng)網(wǎng)絡(luò)非常適用于房地產(chǎn)價格預測分析。此外，基于網(wǎng)絡(luò)的結(jié)構(gòu)特點，其網(wǎng)絡(luò)的訓練時間很短，運算效率很高，網(wǎng)絡(luò)輸出的房地產(chǎn)評估價格與實際價格比較接近，最大誤差僅為4.51%，遠遠低于評估實務(wù)中設(shè)定的10%的最大誤差標準。

圖7 檢測部分BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果示意圖

表4 BP神經(jīng)網(wǎng)絡(luò)模型預測誤差分析表 單位：元

為了更加準確地分析BP神經(jīng)網(wǎng)絡(luò)的預測效果，本文選用了平均相對誤差MAPE、最小誤差平方和LSE、方差VAR、標準差SD、均值MEAN、最大值MAX和最小值MIN，分別從模型精確性、集中程度、偏離程度和相關(guān)性四個方面對BP模型預測結(jié)果進行評價。

BP神經(jīng)網(wǎng)絡(luò)模型下房地產(chǎn)評估價格預測的誤差結(jié)果如表5：

表5 BP神經(jīng)網(wǎng)絡(luò)評價指標匯總

從模型的精確性角度來說，BP神經(jīng)網(wǎng)絡(luò)模型的MAPE（平均相對誤差）比較小，小于設(shè)定的模型誤差10%，說明模型的精確程度比較高，比較準確的預測出了房地產(chǎn)預期成交價，與實際成交價較接近。

從模型的集中程度來看，BP神經(jīng)網(wǎng)絡(luò)模型相對誤差的極值區(qū)間和均值比較小，且均值小于本次模型設(shè)定誤差，說明集中程度較好。

從模型的偏離程度來說，BP神經(jīng)網(wǎng)絡(luò)模型相對誤差的方差和標準差都比較小，說明其偏離均值的程度不大，相對誤差在一個較小的區(qū)間內(nèi)變動，各相對誤差間相差不大。

從模型的相關(guān)性角度來說，BP神經(jīng)網(wǎng)絡(luò)模型的LSE（最小誤差平方和）比較小，說明模型的相關(guān)性比較高，較好地描繪出了房地產(chǎn)實際成交價格和各項影響因素之間的非線性關(guān)系。

因此，綜合模型的精確性、模型集中程度、模型偏離程度和模型相關(guān)性四個角度，可以看出，BP神經(jīng)網(wǎng)絡(luò)適合作為房地產(chǎn)評估中價格預測的工具。

在人工智能不斷發(fā)展的今天，傳統(tǒng)資產(chǎn)評估逐漸暴露出一系列的缺陷與問題，不斷產(chǎn)生的新的評估需求要求評估人員采用新型的評估手段，搭建智能化的評估模型。本文在研究房地產(chǎn)價值影響因素和房地產(chǎn)成交價的基礎(chǔ)上，通過探討B(tài)P神經(jīng)網(wǎng)絡(luò)模型在房地產(chǎn)評估中對于價格預測的功能，揭示了影響因素和最終成交價之間的內(nèi)在非線性映射關(guān)系，同時通過實證研究驗證了BP模型具有較高的預測精度和效度，并從模型的精確性、模型集中程度、模型偏離程度和模型相關(guān)性四個角度對BP模型進行了分析評價，從而試圖為人工智能時代下房地產(chǎn)評估預測提供了一種新的思路和方法。