住宅风险项目建设论文.docVIP

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