BP神经网络模型在地价动态监测中的应用——以武汉市为例

贾 丽，王 廷

（1.池州学院 政法管理系，安徽 池州 247000；2.柳州市国土资源局，广西 柳州 545000）

BP神经网络模型在地价动态监测中的应用
——以武汉市为例

贾 丽1，王 廷2

（1.池州学院 政法管理系，安徽 池州 247000；2.柳州市国土资源局，广西 柳州 545000）

本文运用BP神经网络模型能够以一定的精度逼近复杂的非线性映射，由地价的影响因素推导出地价的原理，通过MATLAB这种科学工程语言，对收集到的武汉市2008年住宅用地地价动态监测点情况进行分析检验，通过检验结果验证现有监测点地价合理性，并对不合理的监测点地价进行剔除或者修正，得出监测点的理想地价，从而更加准确地反映地价动态变化。

地价动态监测；BP神经网络模型；武汉市

1 引言

土地是人类宝贵的资源，如何实现土地资源合理利用，确保城市土地健康发展，是土地管理的重要任务。然而随着改革开放的深化和市场经济的不断发展，我国在土地管理过程中出现了大量盲目开发、地价紊乱等不良现象。因此建立一个符合实际需求的监测体系，对地价的变化情况进行及时跟踪监测是土地管理发展到一定阶段的必然措施，为此，1999年国土资源部开始在“城市土地价格调查项目”中明确提出了建立城市地价动态监测体系的要求[1]，但提出的地价动态监测是在监测点设立好之后，根据样点地价，通过假设开发法、市场比较法、成本逼近法等方法评估监测点地价，可在评估过程中常常会出现地价资料的不完整、相关参数的不易把握、方法确定的主观性、不同方法估价结果的差异过大等诸多问题，这些都会导致监测点地价不准确性。在估价过程中也有可能因为估价师的个人因素导致监测点地价与实际不符，甚至由于一些非正常因素导致监测点地价与实际误差很大，使得监测点的地价不能准确真实地反映实际的地价。

鉴于现有地价监测存在的问题，我国已有不少学者将BP神经网络模型应用到地价评估中，并取得一定的成果。比如武汉大学刘耀林在《人工神经网络的基准地价评估方法研究》、中科院张蓬涛在《基于神经网络的基准地价预测模型研究——以河北省主要城市为例》、广东海洋大学吴明发在《基于GIS的神经网络法在宗地地价评估中的应用》、浙江大学苑韶峰在《利用人工神经网络进行国有土地价格评估的探讨》等文中，均探讨了将神经网络应用于地价评估的可行性，并通过实例表明人工神经网络方法具有客观、准确、通用等优点，可以取得较好的模拟效果。因此本文在上述研究的基础上提出运用BP神经网络模型来检验现有监测点的评估地价，如果监测点的地价比较合理，那么就可以用该结果来监测地价，如果出现一些不合理点，必须进行剔除或者修正，得出监测点的理想地价。

2 地价动态监测体系概述

地价动态监测通过设置地价监测点和市场交易样点，定期收集、整理分析相应地价资料，建立长期动态的监测库，实现对土地市场价格变化的掌握，从而为市场提供客观的地价信息，为政府进行地价管理和调控提供科学依据，为房地产等行业和其他部门提供信息服务，同时地价监测的实现还便于在地价管理中进行基准地价更新、地价预测预警、地价指数编制、地价信息发布、地价辅助决策等工作。地价动态监测的作用具体可从以下几个方面来看：

（1）为社会经济发展及时提供最新地价信息

地价动态监测体系可以看作是土地市场运行的晴雨表，政府可以通过对监测点地价的公示，还可以实现以经济手段调整控制用地结构和布局、合理配置城镇土地的目的。

（2）促进基准地价及时更新

利用地价指数或直接利用监测点地价进行基准地价更新，是基准地价更新最有效和直接的方法。当土地级别不变或只作局部调整时，可直接用地价指数进行基准地价更新；当土地级别己作大范围调整时，不宜再用地价指数更新基准地价，则可用地价监测点地价对旧的基准地价进行调整。

（3）完善宗地地价评估

监测点地价代表的是一定条件下标准宗地在相应的市场供求状况下价格，价格的形成来自于市场中已发生交易的样点地价，最终形成的监测点地价又反映到市场，其价格对其辐射范围内的土地价格具有很强的指导性。因此，监测点地价可以为监测点周围的宗地地价评估提供比较案例。

3 运用BP神经网络模型检验监测点地价

3.1 理论基础

人工神经网络（Artificial Neural Network，简称ANN）一般是指用计算机模拟人脑的结构，用许多的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程。它并没有完全真正地反映大脑的功能，只是对生物神经网络进行某种抽象、简化的模拟。人工神经网络的信息处理由神经元之间的相互作用来实现，知识与信息的存储表现为网络元件互连分布式的物理联系，人工神经网络的学习和识别决定于各神经元连接权系数的动态演化过程[2]。

当信息能够运用明确的数学关系进行表达时，往往能够得到一个很准确的结果，但是在现实社会，很多信息的处理都不能采用具体的模型进行表达，甚至有一些信息还不完全、不全面，针对这类信息的处理，神经网络具有很大的优势，它可以从对象的输入输出信息中抽取规律而获得关于对象的认识，并将其认识分布在网络的连接中予以储存。神经网络的信息抽取能力使其能够在没有任何先验信息的情况下自动从输入信息中提取、发现规律，并通过自组织构建网络。

人工神经网络系统具有一定的自学习性，能够以一定的精度逼近复杂的非线性映射，而地价和其影响因素之间的关系很复杂，很难用一定的函数来描述两者之间的关系，因此可以利用神经网络作为多维非线性函数的通用数学模型的优势来模拟地价影响因素和地价的函数，从而由地价的影响因素推导出地价。

3.2 BP神经网络模型

常见的人工网络模型主要包括前馈型网络模型和反馈型动态网络模型[3]。

1985年由Rumelhart等提出的BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前人工神经网络中应用最广泛的一种[4]。首先BP算法是靠调节各层的加权使网络对训练组进行学习，它的算法可使网络产生的实际输出与希望输出量一致；其次BP网络是一个含有隐蔽层的网络，它是从输入层输入经中间层逐层处理后传入输出层。在正向传播阶段，每一层神经元的状态只影响下一层神经元的状态，如果输出层得不到期望的输出结果，则进入误差反向传播阶段，网络根据反向传播的误差信号修改各层的连接权，使误差信号达到最小，从而可以产生输入——输出的非线性映射，这正好适合解决图形识别等非线性复杂问题[5]。

从结构上讲，三层BP网络是一个典型的前馈型层次网络。如图1所示，它是由输入层n、中间层p和输出层q组成，中间层也就是隐含层。

图1 三层BP网络图

同层节点间没有关联，异层神经元间前向连接。输入层节点的数目与BP网络可感知的输入个数对应，输出层含有的节点数目与BP网络输出个数相对应，中间层节点的数目则可以根据需要进行设置[3]。

令n层节点ni到p层节点pj间的连接权为Wij，p层节点pj到q层节点qt间的连接权为Vjt，αj为p层节点的阈值，θt为q层节点的阈值，则p层中节点的输出函数为：

q层中节点的输出函数为：

对有限数目的二值型或连续值型模式对（n（k），q（k））（k=1，…，p），一般来讲，三层前馈型 BP网络可按给定的BP算法进行存储，以实现预定的映射 n（k）q（k），只要

且 ni（k）∈R，qi（k）∈R，（R 实数域）。

BP网络（反向传播算法）的应用为地价评估开辟了一条新途径。

3.3 BP神经网络模型检验流程

3.3.1 网络结构确定 BP神经网络模型的结构主要是确定输入层、中间层和输出层神经元的个数。在本文中，输入层神经元个数即为影响地价的因素，输出神经元即为预测地价，中间层层数和中间层神经元数的选取是很重要的，如果神经元太少，则网络学习效果较差，如果太多，则训练时间较长，甚至还会出现网络不收敛的情况[6]。一般中间层神经元个数的确定需要满足下式：

其中m为中间层神经元数，n为输入层神经元数，w为输出层神经元数。表示为0到10间的任意整数，但是满足这两个条件的m仍在一较大范围内变动，所以在实际操作中可以通过先设置较少的中间层，然后用同一个样本集数据，逐渐增加中间层神经元个数，直到误差最小、网络稳定为止。

3.3.2 数据的标准化处理 为消除各指标之间量纲的影响，有必要对指标进行标准化处理。本文主要是采用极大值标准化处理，即：

式中：Nij为标准化后i监测点j因子的指标值，Xij为标准化前i监测点j因子的指标值，Xjmax为标准化前j因子的最大指标值，经过标准化处理后，其变化范围都保持在0到1之间，消除了量纲的影响。

3.3.3 网络学习 将训练样本中影响因素的标准化指标值赋予输入层的相应节点，样本中地价的标准化值赋予输出层节点，利用权值和激活函数，在输出节点计算出网络输出值，并计算网络输出与样点期望输出之间的误差，如果误差小于给定限差，则网络学习结束，如果大于，则需要进行反向传播过程，也就是说从输出层反向计算到隐含层，首先计算同一层节点的误差，然后按剃度法修正权值修正，再用修正后的各节点链接权值进行网络学习。

利用人工神经网络评估地价监测点地价，只要将样本地价各影响因素的量化值作为输入层，样本地价作为输出层，通过网络学习，确定具体的网络结构和参数，即可得到地价监测点的评估模型。

4 在MATLAB中实现地价检验

MATLAB作为一种“科学便签式”的科学工程语言，在数学计算、数据分析与可视化、算法研究、数字信号处理、建模与仿真等各方面有着广泛的应用。其核心是一个基于矩阵运算的快速解释程序，具有很强的开放性和适应性[7]，

4.1 研究区概况

根据《城市地价动态监测体系技术规范》对监测点配置的要求，结合武汉市由于被天然河流阻隔而使城市比较零散的特点，将武汉市2008年地价监测点配置如下：商业用地监测点35个，三镇均有分布，且汉口最多，主要分布在二、三、四级；住宅用地监测点71个，三镇均有分布，主要分布在二、三、四级；工业用地监测点19个，主要分布在二、三级别用地，其中工业一级作为限制区域没有布设标准宗地。由于住宅用地监测点数量占武汉市地价监测点的绝大部分，分布也较均匀，因此本论文以住宅用地为例进行监测点地价检验。

4.2 地价检验过程

4.2.1 地价影响因素选择 影响住宅用地监测点地价的因素很多，包括一般因素、区域因素和个别因素，其中一般因素主要包括社会因素、经济因素、行政因素和政策因素，他们是指对城镇的整体地价水平具有的影响，对具体地块的地价影响不明显。因此影响监测点地价的主要是区域因素和个别因素，它们对住宅用地地价的影响主要体现在居住区位、居住环境及生活便利度等。不同的城市其影响因素亦不同，评估时根据当地的实际情况选择影响因素。本文以武汉市住宅用地为例，因此根据武汉市特点，参考武汉市基准地价评估时确定的影响因素，将其将其归纳为以下六点：区域道路级别、距商服中心距离、人口状况、城市规划前景、区域基础设施完备度和区域环境质量。

4.2.2 选择训练样本数量 在选择训练样本的数量时，本着既要考虑训练样本的网络学习效果，又要考虑必须有足够的预测地价与现有地价对比的原则，邀请参与武汉市地价监测项目的专家组打分，由专家从住宅用地71个监测点中选择20个市场交易资料比较丰富、地价评估比较准确的监测点作为训练样本，其余的51个监测点地价通过BP神经网络模型预测出来后和现有的监测点地价进行对比，检验现有地价的准确性。

4.2.3 确定网络结构 由于影响地价的因素为6个，因此输入层有6个神经元，输出神经元即为预测地价，也就是1，通过训练，最终选取1个中间层，4个中间层神经元数。

4.2.4 控制误差 从住宅用地的71个地价监测点中选取20个样本作为训练样本，进行学习训练，其余的51个用作预测样本。将影响因子的标准化值作为输入层神经元，即自变量；将监测点地价作为输出层，即因变量，确定好网络结构。在网络学习中，激发函数选取 Sigmoid 函数，即 f（x）=（1+e-x）-1，设定期望全局误差E为10-5，在MATLAB里进行网络训练，当训练步数达到500步时，误差达到要求，如图2。

图2 神经网络模型误差图图

图3 监测点地价误差折线图

4.2.5 预测地价与现有地价对比分析 从BP神经网络得出的监测点地价与现有监测点地价误差折线图中可以看出，两者整体趋势基本一致，误差最大的为监测点420100AJ0062，误差3.76%，该点位于硚口区简易路126号，可能是由于交易样点比较少，计算不准确而导致的。误差整体基本上控制在1%左右，少数级别较低的监测点，预测地价与现有地价误差比较大，可能是由于低级别监测点远离市区，交易样点较少，收集资料不全面导致的。

4.2.6 修正地价 通过对比分析，发现23、34、39、62、65及71号监测点预测地价与现有地价误差超过2%，误差较大，说明这些监测点地价不能准确反映其周围区域的实际地价水平，如以其为基础进行地价动态监测，可能存在一些片面，为了使得地价动态监测的准确性，我们需要对其进行修正。修正地价时运用加权平均数方法，考虑到本次BP神经网络模型样本数量的有限性，因此对原有地价和BP神经网络模型预测地价采取7:3比值加权，最终得出修正后的地价，如表1所示。

表1 武汉市住宅用地监测点修正后地价

5 结语

地价动态监测的准确性，很大程度上取决于所收集地价相关数据的准确性和现势性，但在日常的宗地地价评估操作中，常常会遇到地价资料的不完整、相关参数的不易把握、方法确定的主观性、不同方法估价结果差异过大等诸多问题，所以本文利用BP神经网络模型具有一定的自学习性，能够以一定的精度逼近复杂的非线性映射的功能对武汉市2008年住宅用地监测点地价进行检验，并对预测地价与现有地价差异较大的监测点进行修正，以提高监测点地价的精确性。但由于受样本数量的限制，检验过程中的控制误差仍然较大，但随着监测点数量的不断增加，通过BP神经网络模型检验出的结果将会更加准确。

[1]国土资源部.城市地价动态监测体系技术规范[M].北京:中国标准出版社，2007.

[2]杨建刚.人工网络神经实用教程[M].杭州:浙江大学出版社，2001.

[3]刘增良，刘有才.模糊逻辑与神经网络[M].北京：北京航空航天大学出版社，1996.

[4]程相君，王春宁，陈生潭.神经网络原理及其应用[M].北京：国防工业出版社，1995.

[5]金钰，李书涛.人工神经网络BP网的应用[J].北京理工大学学报，1998，18（6）：789-791.

[6]苑韶峰，吕军.利用人工神经网络进行国有土地价格评估的探讨[J].上海交通大学学报：农业科学版，2004，22（2）:188-191.

[7]杨小雄，梁燕燕，卢远，等.BP神经网络在住宅区片价评估中的应用[J].广西师范大学学报：自然科学版，2007,25(2):9-12.

F293

A

1674-1102(2011)03-0061-04

2011-04-13

池州学院引进研究生项目（2009RC033）。

贾丽（1984-），女，安徽合肥人，池州学院政法管理系助教，硕士，研究方向为土地资源评价。

[责任编辑：陈晓华]