基于ABC-SVM的长租公寓REITs模式融资风险评价

王丽娜，郭 平，邱晨展

(1.青岛理工大学 管理工程学院,山东 青岛 266520；2.山东省高校智慧城市建设管理研究中心,山东 青岛 266520)

随着城镇化步伐的加快以及城乡流动人口的持续增加，国内的住房租赁市场迅速崛起。长租公寓作为一种创新型产品，为我国住房租赁市场注入了新的活力。房地产信托投资基金(REITs)在盘活资产存量、开拓融资渠道等方面具备显著优势，可有效解决长租公寓融资难的问题。RETTs作为长租公寓融资的一种创新方式，在引入长租公寓融资方面缺乏丰富的管理经验，因此对长租公寓REITs融资风险进行分析和评价非常有必要。

目前关于REITs融资风险的问题学界已有了一定研究。Chaudhry等对REITs风险影响因素及其风险防范机制做了深入探讨[1]；李嘉运用四象限模型分析得出REITs成为长租公寓瓶颈问题的破解选项[2]；Hai等构造了REITs融资风险评价指标体系并结合实例进行了分析[3-4]。其他研究则主要是以REITs大框架为基础展开，如利用VAR(向量回归)模型对整个REITs模式风险价值进行评价[5]；或是站在信托机构的视角，对REITs投资风险因素进行整体识别和解读等[6]；目前结合长租公寓自身特点进行REITs融资风险评价的研究相对较少，在研究方法上多采用层次分析、熵值、模糊-灰色聚类、TOPSIS模型优劣解距离法等一些主流的风险评价方式[7-10]。由于REITs在长租公寓融资过程中面临的风险因素是非线性的，传统的风险评价方法很难对复杂的非线性关系及不确定因素进行科学评价。为此，学者们引入支持向量机(SVM)进行融资风险预测，以提高风险评估的科学性和准确性。Li等针对风电项目运行环境复杂、投资成本高的特点，建立了基于SVM模型的风电项目风险评价模型，研究表明，该模型具有更高的预测精度，比传统的风险评价方法更为高效[11]；Zhang提出一种基于粗糙集与SVM的煤电项目融资风险评估模型，实验表明该模型对项目融资风险评估具有较好的效果[12]。

为科学有效地对长租公寓REITs融资风险进行评价，保证企业能够有效规避风险，本文在以上研究的基础上，首先结合长租公寓的特征及REITs模式的特点，分析长租公寓REITs运作流程，确立风险评价指标体系；然后利用人工蜂群算法强大的全局搜索能力，对支持向量机参数进行优化，避免支持向量机陷入局部最优；最后借助支持向量机在小样本数据、非线性映射方面出色的分类性能，建立基于ABC-SVM的长租公寓REITs融资风险评价模型。此方法在房地产及金融市场风险评价领域相对新颖，运用该方法不仅能够更有效地解决风险评价问题，进一步提高风险分类的精度和效率，而且更加符合长租公寓REITs融资现状，可为长租公寓行业的健康有序发展提供助力。

1 长租公寓REITs融资模式

1.1 长租公寓REITs运作模式

房地产投资信托基金(Real Estate Investment Trusts，以下简称REITs)，作为资产证券化的一种手段，它是通过向外发行股票或收益凭证的方式来获得融资渠道，并将汇集的多数投资者资金交由专门的投资机构进行房地产经营管理，投资者通过持有商业类地产(如百货商场、酒店、长租公寓等)产权以获得经营收入(如租金、房地产增值等)，最后将所获得的收益按照一定比例分配给投资者的一种信托基金。REITs作为目前应用较为广泛的融资工具，主要有以下4个特点：①将房地产资产划分成多个小单位，有效降低了投资门槛，具有较强的流动性，拓宽了融资渠道；②具备完善的治理结构和较高的透明度，决策活动较为简单，可有效提高融资效率；③有助于现金流动性较差但可产生可预期现金流的项目获得融资，增加利润，加快资金回笼；④可多元化主体参与，利益共享。本文根据国内外学者对长租公寓REITs运作模式的研究，参考国内长租公寓品牌房企REITs运行的实际状况，设计出长租公寓REITs运作流程图(见图1)。

图1 长租公寓REITs运作流程图

1.2 REITs在长租公寓融资中的适用性分析

长租公寓是为满足暂时无购买完整产权计划但愿意承担较高的市场租金来获得优质居住水平的青年白领租住需求而产生的一种创新型租赁产品，它是一种集居住、娱乐、社交等功能为一体的多元化居住模式，较一般的出租房产品品质更高。目前我国长租公寓面临前期投入资金大、融资难的问题，房地产开发商们承担着很大的资金压力，在很大程度上影响了长租公寓的建设规模。

国外一些发达国家(如美国、新加坡等)，REITs的发展已经十分成熟。借鉴国外发达国家长租公寓REITs融资的先进管理经验，将REITs作为长租公寓的融资方式，可有效解决融资问题。REITs在盘活存量资产、拓宽融资渠道、加快资金回笼等方面具有突出优势，不仅能够解决开发商的资金压力、增加利润，保证长租公寓的建设规模，还可以与租户利益共享、风险共担，降低建设运营风险。

2 融资风险评价指标体系的构建

2.1 指标体系建立的原则

本文通过对诸多风险领域相关文献的研究，结合长租公寓REITs融资模式的特点，遵循全面性、科学性、系统性、逻辑性及相关性的原则，构建风险评价指标体系。

2.2 风险因素的识别及评价指标体系的构建

REITs在我国长租公寓融资中的应用起步较晚，缺乏必要的管理经验，因此面临诸多风险因素。为全面系统地对长租公寓REITs融资风险因素进行识别，设计出科学合理的风险评价指标体系，本文对测量指标的选取依据以下3点：①国内外有关长租公寓及大型综合项目等一系列成功融资案例及参考文献；②长租公寓REITs在我国的融资现状和特点以及政府有关企业融资的规定；③问卷调查融资风险科研专家、信托机构及企业融资风险管理者等的结果。

本文根据以上原则、统计问卷结果及专家反馈意见，剔除掉相关性差且具重复性指标后，最终建立了包括6个一级指标，19个二级指标在内的融资风险评价指标体系(见图2)。

图2 长租公寓REITs融资风险评价指标体系

2.2.1 政策风险

国家为推动租赁市场REITs的试点及运作，出台了诸多支持性政策。但是REITs作为一种创新性融资工具，其形成可持续运行的管理机制还处在探索阶段，存在很多不确定性，政策贯彻不到位或审批延误,都会给长租公寓收益带来风险。

2.2.2 管理风险

REITs在国内长租公寓融资方面的应用尚处在起步阶段，缺乏经验丰富的专业管理人才，且在REITs运作管理过程中存在委托代理关系，使得项目经营权与管理权分离，信息不透明，因此会产生委托代理风险及道德风险。

2.2.3 建设风险

土地所有权的获取是长租公寓项目建设的根本所在，土地所有权获取困难或者获取成本和时间超出预期，会导致项目成本增加。长租公寓验收质量未达到规范标准及建设成本未得到合理把控等情况，均会导致项目无法按期完工，进而不能按期产生足够的现金流归还利息。

2.2.4 运营风险

长租公寓高标准化的设施配备及配套设施维护费用，成为其运营过程中重要的现金流支出。由于运营管理经验不足，导致租金定价不准确以及租售情况低下，降低了运营效率，给项目收益带来风险。

2.2.5 市场风险

市场风险是指长租公寓REITs融资项目市场及外部环境不确定性带来的风险,包括周边经济发展及人口结构变化对长租公寓市场需求的影响、长租公寓市场发展现状及成熟度、最终使用者的反馈引起潜在消费者需求的变动等。

2.2.6 金融风险

金融风险主要是指金融市场波动引起的长租公寓项目未来收益的不确定性。REITs作为一种资产证券化产品，必然会受到证券市场价格的影响，其利率的变化与现金流入情况直接相关。同时，通货膨胀会导致项目成本上涨，金融市场流动性差也会给项目收益带来负面影响。

3 融资风险评价模型的构建

REITs在长租公寓领域的应用仍处于起步阶段，相较于其他领域的融资模式，缺乏丰富的历史数据及资料，并且面临着诸多复杂的风险因素，难以利用传统的数学方法对其进行客观准确的风险评价。支持向量机在面对小样本数据、多维非线性问题方面具有独特优势，而模型参数的选取会对运行效果产生重要影响。因此，本文建立一种基于ABC-SVM的长租公寓REITs风险评价模型。首先，将风险评价值和对应的风险等级分别作为SVM的输入和输出；其次，选取适当的核函数，利用人工蜂群算法强大的全局搜索能力，寻找最优的惩罚系数C和核参数σ，输入确定的训练样本,对模型进行训练；最后输入待测样本,实现对长租公寓REITs融资风险的评价。

3.1 支持向量机(SVM)原理

支持向量机是基于结构风险最小化原理提出的一种机器分类方法，在处理小样本、复杂的非线性分类问题方面，具有很好的泛化能力和预测精度。它的基本思想是利用非线性映射算法，将低维空间不可分线性映射到高维特征空间，使其线性可分，然后构造最优分类超平面实现对样本的分类[13]。由于长租公寓融资风险指标呈现出复杂的非线性关系，因此选择非线性支持向量机对风险进行预测。

设给定的风险训练样本T={(xi,yi)|xi∈Rn,yi∈{1,2,…,5},i=1,2,…N}。其中，xi表示为第i个项目风险指标向量输入值；yi表示风险类别，为输出值。利用非线性映射函数将非线性分类问题转化为线性分类问题：

f(x)=ωTφ(x)+b

(1)

其中，ω为权向量，b为偏置量；φ(x)为非线性映射函数。

当个别样本点到超平面的距离超出范围，引入松弛变量ξi。按照结构风险最小化原则，将寻找最优超平面问题转换成二次规划问题：

(2)

其中，C为惩罚系数。

通过对上述优化问题引入拉格朗日乘子αi，将其转换成对偶问题：

(3)

其中，αi≥0。

根据KKT(Karush-Kuhn-Tucker)条件，得到对应的约束条件：

(4)

根据Mercer条件将核函数定义为：

K(xi,xj)=φ(xi)Tφ(xj)T

(5)

最终回归预测函数可表示为：

(6)

核函数的选取及相关参数的设定，是SVM的预测性能否达到期望值的关键。大量的实验研究表明，径向基核函数相较于其他两种核函数，具有更大的优势，因此，本文选取径向基函数作为SVM的核函数，将其定义为：

K(xi,xj)=exp(-‖xi-xj‖2/(2σ2))

(7)

其中，σ为核参数。

惩罚系数C和核参数σ的选取对SVM模型的泛化能力、分类精度等性能有着至关重要的作用，因此，本文利用人工蜂群算法(ABC)寻找最优的C和σ，以提高SVM的分类预测精度。

3.2 人工蜂群算法(ABC)原理

人工蜂群算法是由Karaboga于2005年提出的一种全局优化算法[14-15]，它是由蜂群采蜜的分工协作及信息共享交流行为启发而来，较遗传算法、蚁群算法、粒子群算法拥有更高的分类精度和效率[16]。人工蜂群算法将蜂群分为采蜜蜂、观察蜂和侦查蜂三种，蜜源的位置对应于优化问题的解，蜜源的丰富程度对应于解的适应度，任务目标是寻找最优蜜源即优化问题的最优解。具体过程如下。

①在D维解空间中,按照式(1)随机产生SN个初始解，对应于SN个采蜜蜂的位置。

(8)

其中，xi(i=1,2,…,n)代表一个D维向量，j∈{1,2,…,D}。

②采蜜蜂对已知蜜源的邻域进行搜索，产生一个新蜜源，新蜜源的位置依据式(9)确定。如果新蜜源比原始蜜源的密量更高，则记忆新蜜源的位置，并根据式(11)计算出解的适应度。

vij=xij+zij(xij-xkj)

(9)

其中，vij代表新蜜源的位置；zij为[-1,1]之间的随机数;xij代表第i个蜜源的第j维分量，i∈(1,2,…,SN)。

③采蜜蜂完成搜索任务后全部返回蜂巢，将蜜源位置与适应度信息与观察蜂共享。观察蜂根据搜索信息按照一定的概率pi对蜜源进行选择，蜜源的花蜜量越多，被选择的概率越大。观察蜂对选择蜜源的邻域进行搜索，按照引领蜂的方式判断是否要记忆新蜜源的位置。

(10)

其中，fiti代表第i个蜜源的适应度值，其计算公式为：

(11)

其中，fi为第i个解的目标函数值；abs(fi)为fi的绝对值。

④若某个蜜源在经limit次循环后蜜量仍未得到改善，则放弃该蜜源，采蜜蜂转为侦查蜂，该侦查蜂按照式(8)随机产生新蜜源代替旧蜜源，按照上述过程继续迭代寻优。该机制可以避免算法在运行过程中陷入局部最优解的风险。

3.3 人工蜂群优化支持向量机(ABC-SVM)

本文选用RBF核函数，利用人工蜂群的全局搜索功能，优化SVM的相关参数(惩罚系数C、核参数σ)，使其达到更高的预测精度和分类效果。具体步骤如下。

①设定ABC蜂群算法的相关参数。包括蜜源、采蜜蜂和观察蜂的数量SN，蜜源的最大限制搜索次数Ml，最大循环次数Mc。

②设置ABC蜂群算法搜索的目标函数。为了获得更高的分类准确度，将适应度函数定义为：

F=Vacc

(12)

其中：Vacc为分类准确率。

③采蜜蜂根据式(9)进行邻域搜索,产生新解，并根据式(12),计算适应度函数值，并对蜜源进行择优记忆。

④观察蜂根据采蜜蜂提供的信息,按照式(10)选择一个较优质的蜜源，并采用与采蜜蜂相同的方式产生一个新蜜源并计算适应度，采用贪婪选择的方式确定新蜜源位置。

⑤判断蜜源搜索次数是否满足最大限制搜索次数Ml。如果不满足搜索次数，则返回步骤(2)继续搜索；如果经过Ml次搜索，花蜜量仍未得到改善，采蜜蜂则转为侦查蜂随机寻找新的蜜源。

⑥判断是否达到最大迭代次数Mc。若未达到Mc次循环，则重返步骤(2)继续新一轮的搜索；否则输出SVM的最优参数C和σ，完成对SVM模型参数的优化。

通过多次实验测试，对ABC算法的初始化参数设置如下：蜜源数量SN=20，最大限制搜索次数Ml=50，最大循环次数Mc=500，惩罚因子C和核参数σ搜索范围分别为[0.1,1000]和[0.01,100]。

4 实例分析

4.1 数据的收集与处理

为获得支持向量机的学习样本数据，本文以调查问卷的形式，对北京、上海、广州、长春、广东等15个城市长租公寓REITs融资形成的风险案例资料进行了统计分析。被调查人员包括融资风险研究者、企业融资风险管理者以及专业的融资管理机构等共计20余人。按照图2所建立的风险指标进行打分。经过几轮的整理反馈，收集到高质量问卷15份。对问卷数据进行统计筛选之后，最终得到100个样本，包含1900条数据。

根据最终获得的样本集，结合ABC-SVM模型的基本思想，将风险等级划分为低风险、较低风险、中等风险、较高风险和高风险5类，对应的区间范围分别为[0，0.2)，[0.2，0.4)，[0.4，0.6)，[0.6，0.8)，[0.8，1)。根据专家的打分结果按照从小到大的顺序对上述5个区间风险范围进行分类，对应的风险等级分别为[1，2，3，4，5]。部分专家打分结果如表1所示。

表1 部分专家打分及风险等级

4.2 预测结果对比分析

随机抽取80个长租公寓REITs融资风险样本作为模型的训练样本，其余20个作为测试样本。利用Matlab R2014a软件进行数据融合，运行结果显示，经ABC算法优化后得到的SVM分类模型中的最优参数C为3.3787，σ为13.8956。对应的ABC参数寻优曲线如图3所示。可以看出，平均适应度在经过有限次迭代之后不断向最优适应度靠近，目标收敛速度快，即利用ABC算法优化SVM建立模型进行风险评价，可有效提高训练效率。

为检验ABC优化SVM训练模型的效果，将原有样本数据分别输入ABC-SVM、SVM和BP神经网络3种模型并各运行30次，取其训练集及测试集的最优分类准确率、最差分类准确率、平均分类准确率及标准偏差进行对比。训练集及测试集的具体结果如表2所示。

图3 ABC算法寻找最优参数曲线

表2 各预测方法分类结果对比

从以上结果可以看出，首先基于SVM的长租公寓REITs融资风险评估模型的测试样本平均分类准确率达到85.00%，远远高于BP神经网络的59.33%；其次SVM的标准偏差也远远低于BP神经网络。因此，在综合评判分类预测精度方面，SVM模型要优于BP神经网络。而经过ABC参数优化的SVM分类准确率达到95%，大于SVM模型的分类准确率，说明在分类准确率方面ABC-SVM是有一定优势的。

综合以上分析可知，ABC-SVM评估模型更加贴合长租公寓REITs融资实际，可以用来进行长租公寓REITs融资风险评估，为决策者提供更为准确的决策支持。

5 结论及建议

5.1 结论

针对国内长租公寓REITs融资发展存在的风险与问题，本文提出了适合我国长租公寓REITs融资特点的风险评价指标体系及评价模型。建立的模型在公寓行业风险评价方面相对新颖，应用于长租公寓REITs融资风险评价中具备显著优势。

第一，ABC-SVM模型具有一定的实践和推广价值。ABC-SVM模型是新一代机器学习算法，以统计学习理论作为理论基础，具有低结构风险和高泛化能力的特点，结构相对简单。结合长租公寓REITs融资特征，将ABC-SVM模型引入实际案例分析中，将风险评价转变为机器分类识别问题，最大程度上弥补了评价结果受专家主观性影响过大的缺陷，且通过数据的运行和处理，缩短了模型的整体运行时间。该模型评价角度相对较新，是对未来长租公寓REITs发展的积极探索与尝试。

第二，ABC-SVM模型预测精度高，方法简练。利用人工蜂群算法优化支持向量机，得到最优参数惩罚因子和核心参数，避免支持向量机陷入局部最优的缺陷，使评价结果更加可靠。将样本数据输入ABC-SVM，通过与未经优化的SVM模型及BP神经网络的评价结果进行对比，可知优化后的SVM对长租公寓REITs融资风险的评价结果具有更高的分类效率和精度，提高了REITs融资风险评价的科学性和准确性。

第三，ABC-SVM模型符合长租公寓REITs融资的发展实际。建立ABC-SVM模型并结合实例对长租公寓REITs融资进行风险评价，相较于其他评价方法，该模型可以最大限度地避免专家主观性判断的不准确性，在长租公寓REITs风险评价中的适用度更高。既可保证评价结果的准确性，为长租公寓经营商提供更为精准的决策支持，也可为类似项目进行融资风险评价提供借鉴。

5.2 建议

长租公寓作为我国住房租赁市场的一种新兴业态，在市场机遇大好的背景下，其REITs融资项目的发展仍存在诸多问题，增加了融资风险。为此，本文提出以下3点建议。

第一，重视管理者整体素质的培养，增强风险意识。企业之间的竞争最终表现为人才的竞争，只有大力推进人才队伍建设，企业才可实现跨越式发展。长租公寓REITs融资的稳定运行对经营者的整体素质及风险控制意识提出了较高的要求。管理者需具备较强的洞察力和战略思维，实时了解长租公寓行业发展的前沿信息，准确掌握市场的发展动向和相关政策法规的变化，提高决策的科学性。同时，要强化风险意识，构建全员风险管理意识体系，积极主动介入项目经营的全过程，切实防范并化解风险，减少由于经营不当造成的融资损失。

第二，合理选取融资方式，科学制定融资方案。根据维度的不同，REITs可分为不同的类型。例如，以收入获取方式为依据，可将REITs分为权益型、债务型和混合型3种不同的融资模式。每种融资方式各有利弊，长租公寓经营商应以资金需求、企业自身条件等为前提，对各项潜在风险进行充分考虑，并对融资项目优劣进行综合分析，以此为基础选取最为合理有效的融资方式。同时，为避免项目各参与方在后续推动过程中产生利益冲突，长租公寓企业应就拟定的多个融资方案与各参与方进行详细磋商，明确融资的各项细节，选择最适合该项目的融资方案，降低融资风险。

第三，做好商情信息工作，发挥行业协会作用。长租公寓作为我国一个新的业务发展形式，其市场发展偏晚，因此必须在符合市场规律的前提下，进行协调统一的引导，才能保证长租公寓行业的健康发展，这也是国外企业的成功经验。企业可以与行业协会建立公共数据信息平台，促进二者之间的交流协作。因此，建议由政府主管部门牵头，通过统一组织和指导，在相关协会之间建立协调机制，为长租公寓企业在风险管理方面提供一个共同交流和学习的平台，推动企业项目风险管理的一体化、组织化和制度化。同时，政府应尽快完善REITs的相关法律法规，对其类型选择、监管职责等方面予以明确规定，并完善相关审批流程及税收政策，确保长租公寓企业有效明晰地掌握有关REITs的法规政策，在对税收、利率及各类风险信息进行充分考虑的前提下，制定合理的企业战略计划和风险控制目标，整合企业内外部资源，建立风险识别和评估机制，提高项目融资风险管理水平。