预见影响：基于粒子智能的决策行为演化分析研究

林佳丽，林洋溢，骆乐佳，姜大志*

（1.汕头大学商学院，广东 汕头 515063；2.暨南大学信息科学技术学院，广东 广州 510632；3.汕头大学计算机系，广东 汕头 515063）

1 引言

风险社会逐渐成为全球需要重点应对的主要社会形态.乌尔里希·贝克（Ulrich Beck，德国社会学家）最早提出了“风险社会”的概念（1986）[1]，指出防止风险产生的“有组织的不负责任”，需要通过“有组织的预见”来系统性预测事物发展的态势，综合凝结社会系统各个关键要素，通过预见性地制定支撑政策，来加强社会经济活动的前期性规划和前瞻性治理.风险一般具有不确定性、未知性等劣构特性，难以用过往的、既定的经验来消除.在风险社会情境下，对风险预见进行关键问题分析，构建可行的实施框架，成为各类组织工作的重点内容[2].

宏观政策的调控，是社会健康发展的重要推手.在风险社会情境下，风险预见要以整体的社会利益为导向，政府宏观政策的制定，可有效拓展参与人群范围和共识范围，实现宏观政策选择的“强建构性”[3]，治理并引导社会的良性发展[4-5].但是，在风险社会情境下，如何预判宏观政策的有效性，预见政策发布之后经济社会的反应，才是宏观政策调控的最核心目标.宏观调控的“最大效益”需要在对科学、技术、经济和环境的远期未来进行整体性、系统性的演化模拟与预测的基础上实现，而现有“整体性”、“系统性”和“科学性”的不足严重制约了风险预见的准确性，影响了政府对于风险的认识和重视.粒子智能是人工智能和人工生命的交叉研究领域[6]，其核心思想是突破个体的局部而有限的能力，通过自组织、自适应、自学习地进行群体演化，从而“涌现”出群体的性质和功能，或者“涌现”出群体的高级智能性.借鉴这种优异特点，管理学发展出计算实验这一独特分支[7]，在风险社会情境下，通过粒子智能的整体性、系统性模拟，实现对决策的行为效果的科学性预判，消弭不确定性，为实现风险“预见”能力提供了有效的工具[8].

近年来，房地产开发投资增速持续在高位运行，系统性风险概率逐渐加大，而学区房是其背后重要的推手之一[9].本文基于粒子智能，以备受关注的“多校划片”为主要研究问题，以房地产商和消费者为主体的市场行为（房地产商主体行为、消费者主体行为）为研究对象，设计粒子智能中的主体学习机制，自组织、自适应地模拟在“多校划片”政策实施前后，以不同学区质量等级为自变量的房地产开发商在重要区位因素下的数量变化模型，以此探讨“多校划片”政策对开发商市场行为的影响.通过建构这种演化适应性模型，对不同区位因素情境下的政策实施效果进行模拟，预测政策发布对于抑制学区房房价的影响，提升宏观政策调控的风险预见能力.通过模拟后分析发现，“多校划片”政策一般在早期对具有学区优势的位置产生一定程度的打压效应，但该政策具有时效性，并未根本解决教育资源分配不均的问题.本文通过计算实验方法预测政策发布后房地产开发商的市场行为，但是本文不以某一特定的问题为研究目标，鉴于模型的泛化性能，可为有效预判宏观政策的相关影响提供一套解决方案，同时也为相关智能决策提供新思路.

2 “多校划片”问题综述

孩子的教育问题已成为时下中国父母最关注的事情之一.在此背景下，大多数城市的学区房常常与入学机会挂钩[10].而我国教育资源的不均衡分配和家长们“望子成龙”的期盼心理，愈使得人们根据学校质量评定出的所谓的“重点小学”、“重点中学”成为基础配套教育里的稀缺资源.房地产商则利用这种资源的差异大肆炒作学区房；而中国式家长则为购置“重点学区房”想尽办法.为限制学区房价格的盲目上涨，教育部于2016年出台“多校划片”政策.所谓“多校划片”是指将不同办学水平层次的学校，即重点学校、名校与普通的学校进行捆绑组合，并且根据这些学校组合周边的适龄入学人数及分布状况，参考该地区的行政规划来对居民区进行合理的划分.一个小区会对应多个学校.实行多校划片将通过随机派位方式分配热点学校招生名额.派位未能进入热点学校的学生，仍应就近安排至其他学校入学.

关于房地产市场开发的研究，现有文献主要关注影响房地产商区位选择的因素.其中，是否靠近地铁、是否靠近景观设施、是否靠近中央商务区（CBD）、是否靠近三甲医院和是否靠近重点中小学等区位因素为学者和业界重点考虑的因素.如李慧玲[11]的研究表明重点中小学、地铁、景观设施和中央商务区这四个区位因素对房价影响最大.张琪[12]的研究表明是否靠近地铁和中央商务区是最重要的区位因素.张冬玲[13]、冉依依等[14]的研究也同样显示最重要的区位因素为是否靠近中央商务区和地铁站，以及是否靠近重点中小学.董小刚等[15]研究表明是否靠近中央商务区、景观设施和三甲医院等对住宅价格影响显著.裴淑珍等[16]研究表明房价受中央商务区、景观设施以及环线的影响明显.宋俊星等[17]的研究显示是否靠近景观设施对住宅价格影响最大.从现有研究可以看到，这些重要的生活和学校资源在房地产商区位选择过程起了重要影响.而且，当这些区位资源并存时，其重要性也会发生变化.

在关于区位的研究中，学区质量是一个备受关注的话题.李亚宁[18]在学区对房价的影响研究中发现，初中和小学的质量对住宅均价具有非常显著的正向效应，且小学的等级评分每上升一个单位，每平方住宅的均价则上涨4 163.084元，初中升学率每提高一个百分比，每平方住宅的均价则上涨529.133元.邓婷婷[19]对于长沙市的教育配套资源对房价影响的研究也表明，配套教育对楼盘均价有正向影响效应，并且口碑较好的学校会让学校周边的楼盘均价增加5.41%.黄斌等[20]对位于学区边界两侧的住房价格进行匹配差分估计得出：小学名校及分校的学区房的溢价分别为19.7%和3.6%.王永超等[21]利用价格特征模型研究发现，教育因素导致的学区房溢价明显，其中，单学区溢价18%，双学区溢价44%.

通过上述分析可以看到，房地产商在区位选择时的主要考虑因素为是否靠近地铁站、是否靠近中央商务区（CBD），同时区位周边的学区质量对房价有重要影响，为此本文以学区质量为研究变量，是否靠近地铁站、是否靠近中央商务区（CBD）作为固定变量，建构房地产商的演化适应性模型，研究“多校划片”政策对开发商的市场行为的影响.

3 模型建构

3.1 模型假设

本文模型由N个房地产开发商和M个消费者所组成，其中，房地产开发商开发住宅项目，消费者则购买开发商的住宅.为简化情景，本文模型的假设如下：

（1）市场中的房地产开发商都开发同一种住宅，即普通住宅.为了方便研究，模型设定住宅项目的学区区位变量为连续变量.

（2）将开发商选择开发的住宅项目的学区质量分为四个等级（其中等级1是学区质量最高的，即学区质量为4，等级2学区质量为3；等级3学区质量为2；等级4学区质量为1.即学区等级从1到4，代表着质量从高到低）.为了可以观察到开发不同学区质量住宅项目的开发商的数量变化，本文假设市场中的开发商的数量保持不变.

（3）假设开发商的住宅项目为消费者的刚需商品，因此消费者在每个周期内都会需要购买一单位开发商的住宅项目.另外现实中购买一套房子的决策过程与消费者判断房产的每平方是否值得购买的过程无异，所以本文设定消费者购买一单位开发商的住宅项目可视为消费者购买了该开发商的一套房产.假设消费者在同一情境下的购房行为会受到住宅的学区区位变量和住宅价格的影响，并且消费者的数量保持不变.

3.2 主体行为分析

由于房地产商和消费者的行为对房地产市场有较为重要的影响，因此本文从成本、定价和收益研究房地产商的主体行为，从价格效用和学区质量效用研究消费者的主体行为.

3.2.1 房地产商的主体行为

a）成本

假设Cit为房地产商i在第t期开发住宅项目的基本单位成本，为房地产开发商i为了选择更好的区位效应而带来的额外边际成本，即地皮的成本.该小区的地理环境越好，地皮的价值越高.参照张琪[22]的模型，本文认为额外的区位边际成本由是否靠近地铁（X1）、是否靠近中央商务区（X2）以及学区区位变量（X3）这三个因素共同决定，并呈线性关系，即因此房地产开发商i在第t期的单位生产成本为：

b）定价

设Pit为房地产商i开发的住宅在第t期的每单位定价.参照杜建国等[23]的做法，当选择学区等级为4的位置时，房地产商的定价是基于成本的定价法，而当选择位置的学区质量提高时，房地产商的定价除了基本成本和基本利润，还要加上学区等级的价值.房地产商的定价规则如下：

c）收益

在第t期，房地产开发商i的收益可表示为：

式（3）中，Qit表示在第t个周期内房地产开发商i的住宅项目的销售量，且Qit是被消费者所决定的.Eit表示在第t个周期内房地产开发商i的总体收益.

3.2.2 消费者的主体行为

本模型借用崔雪彬等[24]的效用方程来模拟消费者们购房时的决策过程，其原理为当房地产开发商开发的住宅给消费者所带来的效用总和最高时，消费者则会选择该开发商所开发的住宅项目来购买.而消费者的效用总和由两部分组成：住宅价格给消费者带来的效用和住宅的学区质量给消费者带来的学区质量效用.

a）消费者的价格效用

Uijt1代表第t期房地产开发商i开发的住宅带给消费者j的价格效用，则有：

式（4）中，Pit为第t期房地产商i开发的住宅的每平方米的价格，PSijt为第t期消费者j对房地产商i开发的住宅价格的敏感度.参考Kim等[25]的做法，PSijt用房地产商i开发的住宅具体价格和购房者的期望住宅价格的差来衡量，此处期望住宅价格用住宅的平均市场价格来代替：

式（5）中，α是一个参数，且α＞1.k值是一个常数，用来反映消费者的经济属性，富人的k值往往比穷人大得多，k∈[－50，－20].因此：

b）消费者的学区质量效用

与消费者的价格效用表达方式类似，有：

式（7）中，Uijt2代表房地产商i在第t个周期内所开发的住宅项目带给消费者j的学区质量效用；QSijt为第t期消费者j对房地产商i开发的住宅项目的学区质量的敏感度；将住宅项目的学区质量分为四个等级，基于现实生活，等级2和3的学区占比较大，等级1 和 4 相对稀缺，因此当 Git＝4，X3∈(0.8，1]，为等级 1；当 Git＝3，X3∈(0.5，0.8]，为等级 2；当 Git＝2，X3∈(0.2，0.5]，为等级 3；当 Git＝1，X3∈(0，0.2]，为等级 4.β 是一个参数，且β＞1.L是一个常数，用来反映消费者对学区质量的重视程度.

综上所述，房地产开发商在第t期开发的住宅项目带给消费者j的效用总和为：

3.3 主体学习机制

由于房地产开发商在现实生活中是会进行主动学习的，所以本模型参考冯平等[26]提出的算法来模拟房地产开发商的学习过程.

参考算法里的思路，房地产开发商在每个周期的结束时会做出下列的判断：①房地产商开发住宅的学区区位变量与上个周期比较，是上升、下降或是不变.②房地产开发商的收益与上个周期比较，是不变、增加或是减少.

由此可以得出九种不同的情况，每家房地产商都会面对这九种情况中的一个.系统给每家房地产商分配学区区位变量变化的概率值.其中，Pd指的是房地产商下一期的学区区位变量下降的概率；Pi指的是房地产商下一期的学区区位变量上升的概率；Pc指的是房地产商下一期的学区质量区位变量不变的概率，且Pd＋Pi＋Pc＝1.每家房地产商会根据所面对的情况并结合表1中的学习机制来调整下一期学区区位变量变化的概率.

表1 主体学习机制

表1中，w表示概率值的变化值，令w＝0.1，Pd＝0.3，Pi＝0.3，Pc＝0.4.随后，系统自动生成一个随机数A∈[0，1]决定房地产商下一期会选择开发哪种学区区位变量的住宅项目，判断规则如下：

式（10）中，ΔX1和ΔX2分别为房地产商的学区区位变量降低和升高的幅度，本文设定ΔX1＝ΔX2＝0.05.

3.4 实验参数设置

基于以上探讨，本文将通过实验进行拟合验证，并确定参数变量范围.本文所构建模型的开发环境为Pycharm软件.实验中的参数和变量的赋值经过多次调试，适当地放大或缩小变量的影响，使得实验结果尽可能遵循真实的情况，具体情况如表2所示.

每一种情境下，在政府的“多校划片”政策实施前，实验中的参数和变量的取值范围则按照表2所示.当政府的“多校划片”政策实施后，会导致消费者的学区质量敏感度下降，从而会引起学区变量对地皮价值的影响系数也跟着下降.因此，参数做出相应调整：L∈[10，30]，β3∈[25，45].

4 模拟实验与结果分析

为较真实地反映“多校划片”政策实施对房地产商市场行为的影响，本部分在不同情景下对政策实施前后不同学区质量等级的房地产开发商的数量进行周期性研究.

4.1 实验情景设定

由于地铁和中央商务区是房地产商挑选主要的区位考虑因素，本文将一个城市中的区位地段分成四种情境，如表3.每种情境下的模拟实验，分为“多校划片”政策实施前后两个部分.政策实施前后分别依据表2参数和调整参数进行100个周期的迭代.

表2 参数变量表

表3 四种情境

4.2 实验结果及分析

不同等级的房地产开发商的数量可以直观地展现出开发商对不同等级的位置的选择意愿.本文对四种不同情境下“多校划片”政策实施前后不同等级的房地产开发商的数量变化情况进行模拟实验，模拟结果如下：

情境一：靠近地铁和中央商务区

从情境一政策实施前后的对比图（图1）可以看出：政策实施前，房地产开发商更愿意选择作为相对稀缺资源的等级1和4的位置进行住宅项目开发，等级2和3的位置的选择意愿相对较弱；而政策实施后，选择等级1位置的开发商数量的增长速度比之前稍有变慢且出现较大波动，而选择等级2的位置的开发商的数量下降则更加快速且有非常大的波动.

图1（a） “多校划片”政策实施前（情境一）

图1（b） “多校划片”政策实施后（情境一）

这说明“多校划片”政策对“优质学区房”是有打压作用的，导致开发商的总体收益降低，使得开发商选择等级1和2的位置的意愿变弱且不稳定.但是等级1的位置，既有地铁和中央商务区的优势，又有最好的学区优势，属于一种极度稀缺的资源.所以开发商选择该位置的意愿则是稍有变弱，而开发商选择等级2位置的意愿则会受到严重的打击.

情境二：靠近地铁但不靠近中央商务区

从情境二政策实施前后的对比图（图2）可以看出：政策实施后，等级1位置的选择意愿受到较轻程度的打压；等级2位置的选择意愿稍有加强；且在政策实施的后期，等级1的上升幅度较为明显，这也说明了“多校划片”政策只具有一定的时效性，并没有办法把“学区热”彻底降温.另一方面，等级3的位置的选择意愿由较强逐渐变为较弱；由于该政策对其他学位优势位置的打压，等级4的位置出现上升趋势.

图2（a） “多校划片”政策实施前（情境二）

图2（b） “多校划片”政策实施后（情境二）

情境三：不靠近地铁但靠近中央商务区

从情境三政策实施前后的对比图（图3）可以看出：在“多校划片”政策实施后的后期，等级1代表的曲线则又是回归到了较强的上升趋势，且等级2的线段的下降趋势也有所变缓，这又一次地印证了“多校划片”政策属于过渡性政策.政府只有解决了教育资源分配不均的根本问题，“学区房热潮”才会被彻底降温.

图3（a） “多校划片”政策实施前（情境三）

图3（b） “多校划片”政策实施后（情境三）

情境四：既不靠近地铁又不靠近中央商务区

从情境四政策实施前后的对比图（图4）可以看出：最好学区质量位置的选择意愿被打压得最严重，在迭代35期之后出现了一段下降的趋势，这说明政府的“多校划片”政策对重点名校学区房的“降温”作用在既不靠近地铁又不靠近中央商务区的情境下是最大的.等级2和3位置则开始呈现利好的状态；学区质量为1位置的选择意愿没有受到明显的影响.

图4（a） “多校划片”政策实施前（情境四）

图4（b） “多校划片”政策实施后（情境四）

但是在政策实施的后期，由于政策的时效性，等级1的线段又开始明显地上升.这说明了开发商在后期选择学区质量最好的位置进行开发的意愿又开始明显增强，开发商又再次地将学区质量挖掘成为卖点，所以“重点名校学区热”的现象则卷土重来.

5 结语

本文基于粒子智能的模拟实验方法，构建多区位因素下“多校划片”政策对房地产商市场行为影响的实验模型，并进行模拟研究，探究具有不同区位因素条件的情境下房地产选择意愿的变化结果，分析开发商的市场行为演化.得到的主要结论有：

（1）在政策实施后，房地产开发商会对地皮靠近地铁、靠近中央商务区和学区质量这三种优势资源的配置组合进行重新的权衡和考量，并且根据具体情况来调整自身的位置选择.

（2）尽管“多校划片”政策在以上四种情境下对具有学区优势位置的选择意向有一定程度的打压，但在政策实施后期，“重点名校学区热”的现象又有卷土重来的趋势，说明该政策具有一定的时效性，并未根本解决教育资源分配不均的问题.近来有地区颁布新政，提出“名额分配综合评价录取”制度，进一步打压学区炒房，从侧面验证“多校划片”不能解决根本问题，也从侧面验证本文提出的粒子智能模型的可用性.

本文研究结论的推导主要依据粒子系统演化的结果.本研究为粒子智能在管理学上的应用开辟了新的视野.说明通过充分利用粒子智能的优异特性，可以构建模型来预判市场发生的趋势，为市场干预提供辅助性决策意见.后续，我们将针对学区房的相关新政策，完善模型，开展更为深入的研究，以期为相关决策的实施提供更为可靠的预测.更为重要的，我们后续将进一步提升粒子智能的建模能力，重点回答在何时、采用何种策略可以最大化系统整体收益，从而为风险预见提供更为精准的决策服务.