住宅风险项目建设论文

时间:2022-08-07 04:48:14

住宅风险项目建设论文

1问题的提出

本文针对目前商品住宅建设项目的风险评价现状,探索建立一个评价住宅建设项目风险的指标体系,并使用该指标体系进行某一地区的风险评价。项目建设方能够使用该指标体系评价方法,快速地获取获取投资项目的风险信息,选择自身所能够承受的风险水平项目。该结论还能够为化解风险提供一些建议措施,指导项目建设方的项目建设行为,服务住宅项目建设行业的发展。目前国内对住宅项目建设风险的指标还未形成系统的理论和认识,建立科学合理的风险评价指标体系,并通过该体系有效评估项目建设风险具有重大现实意义。BP神经网络是神经网络模型中最经典成熟的一种模型,它能通过良好的自学习能力完成网络参数的训练,并通过训练好的网络参数反馈评估指标,是一种优异的非线性映射。本文主要采用BP神经网络模型确定项目风险水平,再通过专家打分法计算出项目具体风险值,给出各个风险指标的风险贡献。

2商品住宅建设项目风险指标体系的建立

建立商品住宅建设项目风险指标体系是进行风险评价的第一步。风险评价指标体系可以反映出项目建设的风险受哪些因素的影响,通过对这些因素的评估来反映出项目整个的风险值,是对项目风险进行定性分析和定量测算的基础。商品住宅项目有着不同于其它项目的独特风险,有国内城镇化进程刚性住房需求的支撑,同时又受城市规划和区域发展目标和交通、环境等因素的制约。完备性和致密性是对建立风险指标体系的基本要求。住宅建设项目风险指标体系应该涵盖此类项目全寿命周期的全过程,在从前期可行性研究到项目策划,再到获取土地使用权,直至项目建设、预售、交房、物业服务的整个过程中考虑其可能发生的风险因素,将其提取出来。做到了以上这一点,我们就实现了风险指标体系的完备性。但在保证风险指标体系的完备性的同时,还要保证风险指标体系的致密性。致密性是指风险指标体系各个指标之间的互不包含性,各指标之间无交集,避免风险因素的重复。在保证完备性和致密性的同时,根据构件模型和数据处理的需要,我们还要坚持一下原则。指标要真实可靠,否则就不能反映出实际情况且无法完成BP网络模型预知的训练。指标要能够灵敏反映出各因素对风险值得影响。指标建立还要考虑数据获取的可行性,一些指标是定性的指标,很难把它转化成定量数据,这样的指标也失去了评价的意义。同时还要保证指标的系统性、前瞻性、始源性、可比性。在以上原则指导下,在目前我国政治稳定,国民经济持续保持稳定较快发展的大背景下,结合住宅项目建设自身特点,去除不会发生的风险因素,构建商品住宅建设项目的风险指标体系。商品住宅建设项目的风险由大到小可以分为:宏观环境风险、房地产行业风险、住宅项目施工建设风险。宏观环境风险包括:住房制度变化风险、金融市场风险、能源环保政策变化风险、城市规划风险。房地产行业风险包括:市场供求风险、投资变现风险、同行竞争风险、建材价格风险。住宅开发项目自身风险包括:开发项目策划风险、项目合同风险、项目财务风险、项目管理风险。

3BP神经网络模型的构建

在以上商品住宅建设项目风险指标体系的基础上,建立十二个输入指标的BP神经网络模型,通过网络的自学习能力,训练成熟的网络参数。完成BP神经网络阈值训练之后,就可以运用该网络模型对特定区域的风险进行评估。BP神经网络模型输出的是一个定性的风险值,在BP神经网络输出风险值的基础上,运用专家打分法加权处理各个风险指标的数据,可以得到具体的风险值和各个指标的风险贡献。BP神经网络是一种按误差逆向传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。根据确定的商品住宅建设项目风险指标体系的风险指标数,把BP神经网络的输入层单元数设计为12层,对应12个风险指标,采用专家打分法把12个指标定量化。根据BP神经网络隐含层的特性,随着层数增多,误差向后传播的过程计算会越来越复杂,导致网络训练时间急剧增加,且隐含层的增加,还会导致局部最小误差增加。所以把BP神经网络隐含层的单元数设计为3个。评价风险大小只需一个风险值即可,输出层单元数设计为1个。综上所述,本文建立的BP神经网络为12-3-1型的神经网络。

4实证研究

根据建立的BP神经网络,设计输入输出值。输入值设计区间0~1,输出值区间也为0~1,值越大代表风险越大。规定输出值落在0~0.2区间的代表风险等级为低,输出值落在0.2~0.4区间的代表风险等级为较低,输出值落0.4~0.6区间的代表风险等级为一般,输出值落0.6~0.8区间的代表风险等级为较高、输出值落0.8~1区间的代表风险等级为高。十二个风险指标作为输入值,建立8个训练样本,在MAT-LAB7.0对BP神经网络进行训练。建立的8各训练样本要求有很高的准确性和代表性。不准确、没有代表性的样本会导致网络的失真。本文样本来源于哈尔滨市不同区域、不同住宅层次、不同住宅类型的8个住宅项目,要求被调查者是哈尔滨市有代表性的住宅项目相关企业及事业单位的工作人员,对本市的住宅项目有着全面的了解,可以保证数据的准确性。为了保证了数据的真实性和时效性,本文选择的哈尔滨市8个楼盘截止到2012年底都已全部售完。将8个训练样本输入MATLAB7.0中进行阈值训练,然后对训练输出值与专家打分值进行比较,模型的输出值已经很接近打分值。在BP神经网络阈值的训练逼近图中,训练后误差达到2.14096e-007,远远超出目标要求值1e-005,表明阈值训练成功,本BP神经网络已经成熟,可以使用该网络进行风险预测了。利用训练成功的BP神经网络,输入2013年初哈尔滨市整体商品住宅项目建设项目的资料,进行评价。根据模型在MATLAB7.0进行运算,该市2012年初的住宅建设项目风险值为0.4696,落在0.4~0.6区间,风险等级为一般。运用专家调查法对各风险因素及输出风险值进行评估,经过数据加权处理后的风险值为0.0674,各个风险指标的风险贡献分别为0.1084、0.0429、0.0613、0.1640、0.0877、0.0440、0.1642、0.0039、0.1373、0.0130、0.1044、0.0689。

5结语

在12个风险指标中,投资变现风险、金融市场风险最大,分别为0.1642、0.1640。目前我国住宅建设项目一般自有资金投入在30%左右,大部分依靠银行贷款,一旦销售不畅将严重影响项目的投资变现,很多项目开盘搞活动有优惠也是这个道理,建设方希望尽快回笼资金。另一方面,住宅建设与金融风险密切相关,世界金融危机会严重影响此类项目的建设。项目策划风险、住房制度风险、项目财务风险为第二档风险,贡献分别为0.1373、0.1084、0.1044。住宅建设市场受国家宏观调控影响较大,国家保障房计划的开启及保障房项目的陆续入市也对商品住宅项目产生较大影响。此外,项目销售策划和营销会对潜在购买者产生较大的影响,左右项目的销售目标。其余指标都属于第三档风险,城镇化是我国发展的大趋势,而且目前城市中年轻人自住购房的刚性需求和中老年人的改善性需求不减,这些都导致了住宅建设项目风险的总体平稳性。经过以上分析,总体上来说,该模型的评价结果与哈尔滨市住宅项目建设的具体情况相吻合,说明该风险评价指标体系和评价模型是有效的,能够较为准确的评价出具体地区特定时间的风险值,可以作为建设方的决策参考。

作者:于秉坤工作单位:黑龙江农垦建工有限公司