房地产市场广义虚拟经济预警模型及实证研究

摘 要：广义虚拟经济视角下房地产市场预警的前提是确定影响房地产市场发展的各个重要环节为监测对象，通过对监测警值的分析，确立房地产市场运行过程中已经存在的风险和可能发生的警情变化趋势。房地产预警建立在预测技术之上，其预警方法是房地产预警系统的核心。通过对广义虚拟经济下房地产市场预警的理论与实证分析，本文提出房地产市场预警需要与计算机技术实现更密切的结合，开发城市房地产市场预警系统。先进的软件使房地产预警系统具有良好的人机交互能力，将计算机信息系统建模技术引入到房地产市场预警领域将会成为今后研究的重点方向。

关键词：广义虚拟经济；房地产市场；经济预警；预警方法

The Model and Empirical Research on Real Estate Market Early-warning from Generalized Virtual Economy

Abstract:The premise of real estate early-warning is to determine the development link for monitoring objects on the basis of generalized virtual economy. By analyzing the monitoring alarm value, the existing risks and possible warning trend will be established in the operation process of real estate market. Forecasting technology is the basis of real estate early-warning. The early-warning method is the heart of the earlywarning system of real estate. Through to the theory and empirical analysis on real estate early-warning of generalized virtual economy, the theory of real estate market early-warning and computer technology to realize more closely combines is introduced in this paper. City real estate early-warning system should be developed as soon as possible. Future research should make full use of computer technology to practice and advanced software to enable real estate early-warning system has a good ability of human-computer interaction, computer information systems modeling technology into the real estate market in the field of early warning will become the focus of future research directions.

Keywords:generalized virtual economy, real estate market, economic early warning, early warning method

一、引言

“预警”从监督行为实施与监督客体经济行为发生时序关系上看是一种事前监督，它是一个预先估测和揭示经济监督客体的运行态势或运行特征，然后通过一定的方法判断其状态是否偏离预期目标并具体度量其偏离预警线的强弱度，继而发出预警信号的过程。经济预警监测最早可以追溯到19世纪末法国经济学家Forelli提出的以不同色彩作为经济状态评价的思想。1915年美国哈佛大学Parsons编制了“美国一般商情指数”，在综合13个经济指标信息的基础上，根据时间变动差异关系分别编制为投资指数、生产量价格指数和金融指数。房地产作为宏观经济的分支，宏观经济预警研究理论与方法也可用于对房地产市场的预警。20世纪60年代初，美国房地产市场学家Stephen A. Pyhrr等开始研究西方房地产市场的周期性，探索其房地产周期波动及其机理。20世纪90年代对房地产的研究多基于一种假设，即用于研究房地产的数据可以完全代表房地产的周期波动状况。Ronal认为这种假设只能包括房地产长期周期波动的一部分，但将它们用于描述房地产状况的能力却是有限的[1]。Karl在研究中重点揭示了在美国经济周期中会影响经济和房地产市场的因素，分析考虑了房地产在需求上的重要作用，及房地产通胀时可能发生的对经济的影响结果[2]。国内学者赵黎明、钱伟荣等选择统计预警方法，选取房地产投资额、新开工面积、施工面积、竣工面积、销售面积和土地开发面积这六个指标作为警兆指标，以房地产销售率作为警情指标，通过时差相关分析来进行指标分类，利用经验确定预警界限，确定了模糊评价方法来进行警级综合的警情预报[3]。叶艳兵等在把握房地产市场运行规律的基础上，按照系统的观点，采用多方法、多模型集成和多库协同规划，构建城市房地产预警系统的总体框架体系，并以武汉市的房地产市场运行的实际为对象，探讨基于景气循环波动理论的房地产预警、基于系统核与核度理论的房地产综合模拟预警和基于模糊神经网络理论的房地产预警模型与方法[4]。

广义虚拟经济的发展为社会经济发展注入了全新的元素[5]。从货币资金流的角度来看，虚拟经济领域越来越多地滞留货币资金，即流动性过剩出现了泛化的趋势，即货币的“金融窖藏”（Financial Hoarding）。这些货币的存在改变了货币供应量变动与物价水平的关系，使得房地产领域起着调节货币流、稳定物价的功能。当前人民币升值预期和国际收支持续顺差引起国家外汇储备猛增，使国内流动性过剩问题十分突出，而包括房地产在内的虚拟经济充当了吸收流动性过剩的主要载体。随着流入资金的增大，房地产市场成为吸收货币资金的重要场所。此外，虚拟经济可以化解大量来自于外部的冲击，保障宏观经济的稳定发展。可见，包括房地产在内的虚拟经济的稳定对实体经济的稳定起着越来越重要的作用。在广义虚拟经济系统中，为防止房地产市场价格的剧烈波动，需要建立起房地产市场发展的预警机制，从而制定一系列调控价格的政策。不同政策对房地产市场价格的调控效果不同。在不同的政策作用模式下，市场主体的利益预期的改变、行为规则的调整等问题呈现出不同规律，利益流动、资源转移和均衡形成机理也呈现出各自的特征，价格调控政策的效果也会呈现明显的差异。房地产市场的发展现状，给政府有关决策部门、行业管理组织和理论研究者提出了一个重大的现实问题，即如何认识我国房地产市场自身的发展规律，减少盲目性，避免决策失误。其中一个重要的途径就是要从我国的国情出发，在大量的理论与实证研究基础上，建立一套用来全面跟踪、监测和调控房地产市场发展的预警体系。因此，系统研究广义虚拟经济视角下房地产市场预警问题，具有重要的实际应用价值。

二、房地产市场广义虚拟经济预警模型选择

房地产市场预警的前提是确定影响房地产市场发展的各个重要环节为研究监测对象，即可能出现房地产市场过热和房地产市场过冷的相关环节和领域。这其中包含了两项工作：一是对房地产市场发展过程进行监测，对监测对象同其他相关环节的关系状态进行监视；二是对大量的监测信息进行收集、分类、整理、转化、标准化等处理，建立信息档案，进行历史和社会的比较。临界区域是确定房地产市场所处阶段的值域，每个阶段对应于一个相应的值域。只有确定了房地产市场阶段的临界值域才能据此确定房地产市场当前发展状况。通过对监测到的警值的分析，可以确立房地产市场运行过程中已经存在的风险和即将可能发生的警情变化趋势。识别的任务是选择出“适宜”的预警指标来判断房地产市场的哪个相关环节已经或即将出现不正常情形。在识别诊断和评价的基础上，综合分析处理各个影响因素所反映的房地产市场信息，进行汇总聚类分析，得出房地产市场总体状况；进而制定房地产市场状况报告，上报给房地产相关部门进行决策。政府部门和房地产企业决策者根据房地产市场状况报告做出相应决策。如果房地产市场处于正常运行状态，则应继续监测，如果不正常则应立即采取相应措施使其重新步入正常轨道。已有研究成果证明，BP神经网络不仅在大样本的预测中具有很好的预测精度，而且对于小样本的预测仍然具有良好的预测效果。在房地产市场预警体系研究中，各预警指标对市场的贡献度由神经网络根据历史数据的规律自动调整，避免将权重人为主观化，利用BP神经网络进行预测的预测结果具有可靠性和可信性。因此本文采用BP神经网络模型对广义虚拟经济条件下房地产市场预警体系进行预警预测。

（一）神经网络模型

人工神经网络是人脑思维系统的一个简单的结构模拟，可以模拟基本形式的人脑神经元功能[6]。人工神经网络的信息处理是通过神经元之间的相互作用来实现的，知识与信息的存储表现为网络中神经元互连分布式的物理联系，网络的学习和识别则取决于各个神经元的连接权值的动态演化过程。人工神经元是人工神经网络的基本处理单元，能够模仿生物神经细胞的三个基本功能：其一，确定输入信号的连接权值，连接权值为正时表示兴奋，为负时表示抑制；其二，确定各输入信号连接权值的加权和（称为整合函数）；其三，通过激活函数（Activation Function）确定其输出[7]。人工神经元有多个输入神经元I。对神经元的每一个输入都有一个加权系数wij，根据每个输入的权重分配，神经元对所有的输入信号进行整合，以确定全部输入的总效果。得到输入的总效果后，神经元对输入进行处理，主要体现为将总输入和偏置值进行比较以及将比较后数值进行函数转换，最后得到人工神经元的输出yi，因此，可以将人工神经元的输入输出对应关系表示为：

其中，yi为人工神经元的输出，xj为人工神经元的输入，wij为输入xj到神经元i的权重，θi为人工神经元i的阈值， f (x)为神经元的转移函数。

式中： xj表示输入信号， wij表示连接权值，f (si)为激活函数，θi表示阈值，Si为整合函数，yi为输出函数。BP算法的学习过程是由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转向反向传播，将误差信号沿原来的通路返回，通过修改各层神经元的权值，使得误差信号最小。首先进行初始化，给每个连接权值wij、 vjt、阈值θi与γj，赋予区间[-1,1]内的随机小值。随机选取一组输入和目标样本 12(,,,)kkk Tyyy=…

提供给网络。其次,用输入样本12(,,,)kkk

连接权wij和阈值θi计算中间层各单元的输入Sj，然后用Sj通过激励函数计算中间层各单元的输出bj。

bf sjp==…

利用中间层的输出bj连接权wij和阈值γj计算输出层各单元的输出Lt，然后利用Lt通过激励函数计算输出层各单元的响应Ct。

Tyyy=…的实际输出Ct，计算输出层的各单元一般化误差：

()(1)

dyC CC=??1,2,,tq=…

利用连接权vjt、输出层的一般化误差 k

θθβ+=+。

其中，i =1,2,…, n，j=1,2,…,p，0＜β＜1，N为迭代次数。随机选取下一个学习样本向量提供给网络，直到m个训练样本训练完毕。重新从m个学习样本中随机选取一组输入和目标样本，直到网络全局误差E小于预先设定的一个极小值，即网络收敛。如果学习次数大于预先设定的值，网络就无法收敛。

（二）BP神经网络算法改进

尽管BP神经网络算法得到了广泛应用，解决了许多实际问题，但BP算法仍存在一定不足，其中最急需解决的问题主要有两点：其一，收敛速度慢，通常需要几千步迭代甚至更多，尤其对于复杂网络结构，由于输入维数大，造成网络的计算量繁琐，效率低下；其二，存在“局部极小点”的问题。在学习的过程中有时会出现当学习反复进行到一定次数后，虽然网络的实际输出与期望输出还存在很大误差，但是无论如何学习，网络全局误差的下降速度都变得很缓慢，或者根本不再变化，这种现象是因为网络收敛于局部极小点所致[8]。网络的结构参数（包括隐含层数、隐含层单元数）和运算参数（如步长、非线性函数的选取）的确定尚无公认的理论指导，往往是根据经验选取，一旦选取不当，系统性能将恶化，无法达到预期的预测效果。针对BP算法的两个缺陷，本文对原有BP网络算法进行改进。采用自适应学习法和动量添加法修改标准BP算法，以有效地规避网络陷入局部最小点等问题。传统BP算法实际上是一种下降静态寻优算法，在修正权值w(k+1)时，只是按照k时刻的负梯度方向进行修正，而没有考虑到以前积累的经验，即以前时刻的梯度方向，从而常常使学习过程发生震荡，收敛缓慢。其权值修正函数写为：w(k+1)=w(k)

+ηD(k)。其中，w(k) 是连接权值，

k时刻的负梯度，v是网络的实际输出与希望输出的平方误差，η是学习率。针对标准的BP算法存在的问题，可以采用改进算法：

w(k+1)=w(k) +η[(1-α)D(k)+aD(k-1)]

a是动量因子，采用动量因子法，可以有效的降低网络对于误差曲面局部细节的敏感性，很好地抑制网络陷入局部极小。这种方法所加入的动量因子a实质上相当于阻尼项，在k+1时刻对权值修正的时候不仅考虑了k时刻的梯度，而且考虑了k-1时刻的梯度。促使权值向着误差曲面底部的平均方向变化，减小学习过程的震荡趋势，从而改善网络的收敛性。在BP网络中，学习率 η的选取一直是一个重要的研究方向。η是权值调整公式的系数，标准BP网络的权值调整公式为：

式中Δw(k) 是第k次迭代产生的权值调整量，η是学习率，E是第k次迭代的误差，w(k) 是第k次迭代的连接权值。可以看出：学习率η的选取直接影响着权值调整量的大小，故其与网络的收敛能力及收敛速率密切相关。学习率η选取过小，则每次权值的调整量就小，网络收敛速度就很慢，也可能使网络陷于局部极小（也即是前面说的训练进入了“假饱和”状态无法使误差继续减小）；学习率选取过大，则权值的调整量就很大，可能使得收敛过程在最小值点附近来回跳动产生振荡甚至使网络发散。为了解决这一问题，需要在训练过程中自动调整学习率，自适应调整学习率的改进算法的计算公式为：

(1)( )( ) ( )

ηηλ=?=??

从式可以看出，当连续两次迭代其梯度方向相同时，表明下降太慢，这时可使步长加倍；当连续两次迭代其梯度方向相反时，表明下降过头，这时可使步长减半。此方法可以保证网络总是以最大的可接受的学习率进行训练。因此，通过不断的调整学习率就可以加速网络的收敛。

三、房地产市场广义虚拟经济预警的实证分析

在二元价值容介态的广义虚拟经济视角下，信息成为了财富。因而广义虚拟经济视角下的交易主体利益流动是信息传递的必然结果[9]。因而对广义虚拟经济视角下交易主体利益流动预警参数的设定和求解过程中，必须将信息在传递中的财富效应充分的表达和体现出来。房地产以及其他以“财富标志”为基础的产业是广义虚拟经济视角下的代表性产业。在广义虚拟经济视角下房地产市场预警前提是确定影响房地产市场发展的各个重要环节为研究监测对象，即可能出现房地产市场过热和房地产市场过冷的相关环节和领域。通过对监测警值的分析，能够确立房地产市场运行过程中已经存在的风险和即将可能发生的警情变化趋势。这里利用改进的BP网络对江苏省房地产市场的警情进行预警监测，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，具体思路如下：输入层为江苏省房地产市场预警警兆指标数值，输出层为根据江苏省综合警值分析法得到的警情转化成的多维数值，如正常警情可转化为五维向量（0，0，1，0，0）。隐层神经元个数根据最小误差法确定。房地产市场的预警监测是根据各警兆指标警情相对于房地产市场警情的先行情况确定，如若施工面积是警兆指标并且房地产市场警情基准指标先行两年，就可以根据2010年该指标的警值预测出2011年江苏省房地产市场的警情。

（一）警兆指标时差相关分析

在房地产市场预警系统中，由于商品房销售面积是房地产市场的即时反映，且与市场波动同步变化，可以敏感反映市场，故将商品房销售面积增长率作为基准循环指标。但目前在我国各城市的预警预报实践中多采用房地产价格或空置率等做基准指标。然而，由于江苏省房地产统计中的空置率指标本身存在理论缺陷，加之在实践中很难得到统一的时序数据，把上述指标作为基准指标就存在着一定缺陷。从理论上讲，房地产价格的时序数据不健全，而且价格确定有一定的市场因素，还有一定的非市场因素，比如政府会不定期地出台一些经济政策来干预房地产市场。因此，本文最终选择商品房销售面积作为基准指标来进行江苏省房地产市场预警体系警兆指标的时序分析，各指标相对于商品房销售面积增长率的时差分析如表1所示。

时差相关分析法计算的结果表明以房地产价格指数为基准指标，江苏省房地产市场警兆指标有：全社会固定资产投资、施工面积、房地产开发投资/社会固定资产投资、房地产开发投资、居民消费价格指数（上年=100）、土地开发面积，且这些指标相对于警情指标领先的年份分别为：全社会固定资产投资领先2年，施工面积领先2年，房地产开发投资/社会固定资产投资领先1年，房地产开发投资领先1年，居民消费价格指数（上年=100）领先1年，土地开发面积领先3年。

（二）房地产市场BP神经网络预警监测

利用改进后的算法替代标准BP算法的学习训练函数，在Matlab的神经网络工具箱中有traingdx函数对应的网络训练[10]：首先，初始化隐含层和输出层的连接权值 wij、vjt阈值θj与γj；其次样本输入值为Pk=(a1,a2,…,an),期望输出值为Tk=(y1,y2,…,yq),网络实际输出值为Ck=(c1,c2,…,cq)。再次，正向传播过程。对于第T次迭代，利用公式计算出隐含层的整合函数 f (Sj)和输出值bj，计算出输出层的整个函数f (Lt)和网络输出值Ct。最后，修正连接权值和阈值，利用误差公式计算网络误差，判断误差是否满足精度要求（E<ε），ε为给定的精度，如果满足精度要求，则停止迭代，存储连接权值和阈值，结束训练；如果不满足精度要求，则误差逆向传播，利用权值修正公式修改各层神经元的连接权值和阈值，并重复第三步，进入下一轮迭代，当迭代次数超过给定的最大迭代次数仍不满足精度要求时，退出循环，修改网络后重新训练。BP神经网络预测的步骤是：首先确定预测对象，本文中预测对象为江苏省房地产市场预警体系警度；然后确定预测BP神经网络的结构，即确定用于预测的BP神经网络的层数，输入层、隐层及输出层的神经元个数；再后确定所选预测BP神经网络的传递函数、训练函数、权值学习函数和性能函数；最后建立网络，按照BP神经网络的学习训练算法进行预测。

第一，输入层。由于是通过警兆指标来对房地产市场预警警情进行分析，因此需要考虑时差因素，具体做法是将房地产市场预警年份减去时差数得到所采用的警兆指标所在年份，通过警兆这一年份的数值进行综合警情预警监测。由于数据统计年份截止至2010年，考虑房地产开发投资等指标相对于警情只领先一年，因此只能用现有的警兆指标数据预测2011年江苏省房地产市场警情。在6个警兆指标中领先年份最长是土地开发面积，该指标领先警情3年，其输入年份是7年数据。输入层神经元个数由输入变量决定，输入样本为7维的输入向量，因此输入层一共有7个神经元。

第二，输出层。输出层神经元个数由输出类别决定，由于房地产警情有过冷、微冷、正常、微热和过热5种情况，分别用一个五维向量来表示：用（1，0，0，0，0）表示过冷，（0，1，0，0，0）表示微冷，（0，0，1，0，0）表示正常，（0，0，0，1，0）表示微热，（0，0，0，0，1）表示过热。这样可以在网络中设计5个输出神经元表示五种状态类别。

第三，中间层。关于隐含层的层数有关文献证明在一定条件下一个三层的BP神经网络可以以任意精度去逼近任意映射关系，即一个三层BP神经网络就可以完成任意的n维到m维的映射。而且经过实践发现，与一个隐含层相比，用两个隐含层的神经网络训练并无助于提高预测的准确率。因此本文采用三层前向型神经网络的拓扑结构。中间层的神经元数目选择是一个十分复杂的问题，往往需要根据设计者的经验和多次试验来确定，因此不存在一个理想的解析式来表示。神经元个数与问题的要求、输入、输出神经元个数都有直接的关系。个数太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有看到的样本，故一定存在一个最佳的中间层神经元个数。通常在选择最佳神经元个数时有三个参考公式：为输入神经元个数，n2为输出神经元个数，a为[1,10]之间的常数。还有一种途径是，先使隐单元数目可变，或者放入足够多的单元，通过学习将那些不起作用的单元剔除，直到不可收缩为止；同样也可在开始时放入较少的神经元，学习到一定次数后，如果不成功则再增加单元数目，直到达到比较合理的单元数目为止。本文选用动态设计中间层神经元个数。根据上面的参考公式，将单元个数设计为在某一个区间内取值，再将它们对应的网络预测性能进行比较，当网络的预测误差最小时，网络中间层的神经元数目是最佳值。在设计状态分类器时，根据Kolmogorov定理，一般中间层神经元个数应在2n1个左右。

第四，传递函数。传递函数的好坏对网络的训练效率至关重要。一般情况下采用Sigmoid型函数，经反复测试，选择函数Tansig(n)作为输入层到隐含层的传递函数，隐含层到输出层之间的传递函数确定为Logsigmoid型传递函数Logsig(n)，Logsig(n)函数是Sigmoid的对数函数，它将神经元的输入范围从 映射到 。Logsig(n)函数是可导函数，其函数表达式是：

第五，训练函数。这里的训练函数采用改进后的BP算法训练函数，MATLAB7.0工具箱提供了各种网络结构的标准算法训练函数，因此该算法可以直接调用MATLAB7.0工具箱中的traingdx训练函数。该函数的学习算法是梯度下降动量法，而且学习速率是自适应的。训练参数中目标误差为0，动态系数为0.7，考虑到本例的实际情况，网络隐层神经元个数应在13~18之间。因此，可以设计一个隐层神经元数目可变的BP网络，通过误差比较，确定最佳隐层神经元个数，进而产生神经元分别是13、14、…、18的误差曲线图，如图1至图6所示，对各误差图所出现的最小收敛误差进行汇总如表2所示。

根据运行结果可知，在经过10000次训练后，隐层神经元为18的BP网络效果最好，因为其误差最小为5.2E-007。故本文神经网络组合模型中间层神经元个数确定为18个。研究认为，仿真输出和目标输出完全吻合实际情形，说明网络的非线性映射能力很强。由此可知，该网络可以有效地识别房地产市场预警指标体系预警程度，为江苏省房地产市场预测提供了有效的工具；将训练样本的10个预测指标数据依次输入到神经网络的输入端，并采用改进后的算法，对网络进行训练，经过10000次迭代训练之后，网络误差很小，收敛到0.0001。

利用土地开发面积等6个警兆指标对2011年江苏省房地产市场警情进行预测，测试结果为（0.0001，0.0007，0.9995，0.0000，0.0005），表明2011年江苏省房地产市场发展正常，与目标输出（0，0，1，0，0）相符，与江苏省房地产市场发展实情是基本一致的。因此，本文所建立的基于BP神经网络的房地产市场预警模型具有很好的泛化性能，可以作为江苏省房地产市场预警体系的预警模型。用作2011年预警的6个警兆指标中，全社会固定资产投资、施工面积、房地产开发投资/社会固定资产投资、房地产开发投资、居民消费价格指数5个指标均在正常区间运行，只有土地开发面积一个指标是在偏热区间运行。对这些指标进行具体分析：领先于警情2年的全社会固定资产投资在2009年发展正常，2011年有上升的趋势但仍在正常区间运行；领先警情2年的的施工面积2009年发展正常，2011年依旧发展正常；领先于警情1年的房地产开发投资/社会固定资产投资2011年出现下滑，已逼近正常区间的边界点，该指标以后的发展趋势需着重关注，以防止该指标的偏冷对江苏省房地产市场产生质的影响；领先于警情1年的房地产开发投资2011年出现下滑，鉴于其相对于2009年波动较为明显，因此对该指标也应加大关注力度；领先于警情1年居民消费价格指数从2009年的偏热发展区间下降至正常发展区间，该指标的历史波动性较为剧烈，对于其下一步发展方向较难把握；领先于警情3年的土地开发面积在2009年位于偏热区间，2011年出现大幅下滑降至正常区间逼近偏冷区间，这对于2012的江苏省房地产市场可能成为一个信号，2012年江苏省房地产市场的发展可能出现下滑，但这种趋势不一定会致使2012年江苏省房地产市场出现偏冷情形。总的来说，在6个指标中应当密切关注房地产开发投资/社会固定资产投资、房地产开发投资和土地开发面积3个指标的发展。由于警兆指标的最短先行年份仅为一年，所以只能通过现有警兆指标预测下一年份的警情，虽然预测年份较短，但也可为相关决策者提供决策的理论支持。同时由于国家时刻对房地产市场各项政策进行调控，与房地产市场直接和间接相关的各部门各企业存在发展的不确定性，因此较长时段预警预报可行性以及可信性反而不高，短期预警监测反而更加具有实际操作意义。

四、结论

通过对广义虚拟经济下房地产市场预警的理论与实证分析，可以得出以下结论：广义虚拟经济视角下房地产市场预警前提是确定影响房地产市场发展的各个重要环节为研究监测对象，通过对监测警值的分析，确立房地产市场运行过程中已经存在的风险和即将可能发生的警情变化趋势。房地产市场预警模型是反映影响房地产运行状态的一系列有内在联系的指标组成的集合，也是一个从多个层面和视角反映房地产发展状态的综合系统。广义而言，可以对房地产市场的发展起到影响的因素包括自然因素、经济因素、社会因素、政策因素等。房地产市场预警需要与计算机技术实现更密切的结合，开发城市房地产市场预警系统。计算机技术能够通过自动处理、分析、判断输入和存储在计算机中的城市与房地产市场密切相关的各种信息，能够对房地产市场发展中可能出现的各种异常态势发出预先警告。预警理论与方法同计算机技术相结合是未来房地产市场发展的趋势。房地产市场预警体系的建立应该引入更多的定性指标，以提高预警系统的严密性和准确性。

参考文献：

[1] Ronal D F. Trends and Cycles in Housing Production[J]. Business Economics, 1997(7): 12-16.

[2] Karl R C. Real Estate and the Macro-economy[J]. Rooming Articles on Economic Activity, 2000(5):119-132.

[3] 赵黎明, 钱伟荣等. 住宅市场需求的组合预测[J]. 系统工程学报, 2001(3): 224-227.

[4] 叶艳兵, 丁列云. 房地产预警指标体系设计研究[J]. 基建优化, 2001(3): 1-3.

[5] 林左鸣. 虚拟价值引论——广义虚拟经济视角研究[J]. 北京航空航天大学学报(社会科学版), 2005, 18(3):21-25.

[6] 陈祥光, 裴旭东. 人工神经网络技术及应用[M]. 北京: 中国电力出版社,2003: 35-37.

[7] 沈世镒. 神经网络系统理论及其应用[M]. 北京: 科学出版社, 1998: 84-93.

[8] 邵军力, 张景, 魏长华. 人工智能基础[M]. 北京: 电子工业出版社, 2000: 165-187.

[9] 林左鸣, 尹国平. 价值理论的困境、出路及创新研究——广义虚拟经济理论关于价值的主要观点[J]. 广义虚拟经济研究, 2011,2(1):5-14.

[10] 楼顺天, 施阳. 基于MATLAB的系统分析与设计——神经网络[M]. 西安: 西安电子科技大学出版社, 1998:

214-221.

推荐访问： 广义 房地产市场 预警 模型 实证研究

---