当前，人工智能在经济社会各个领域不断融合发展，基于各类人工智能的新业态逐渐成为经济增长的新动能。人工智能依托互联网技术，以数据分析为基础，逐步发展完善并应用到各行各业，给传统的预测分析方法带来革新。
传统资产评估在数据量、评估经费等方面存在客观劣势，资产评估师获取信息和数据的途径有限，只能通过实地调查或者本企业存档的案例进行研究。另外，传统资产评估方法不可避免地带有很大的主观性，对评估结果的客观公正性造成一定的影响。如何最大程度地消除评估过程中的主观性，最大程度地建立客观的评估体系，也是新时代经济社会发展的重大要求。
1.人工智能在房地产估价领域的现状
人工智能（Artificial Intelligence，AI）是计算机科学的一个分支，是研究和开发通过模拟人的意识和思维的信息过程来模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。
人工智能是一门边缘学科，是自然科学、社会科学和技术科学之间的交叉学科，涉及哲学、认知科学、数学和计算机科学等几乎所有学科，其具体应用范围涵盖语言学习与处理、知识表示、智能搜索、推理、规划、机器学习、知识获取、组合调度问题、感知问题、模式识别、逻辑程序设计等。
房地产价格是一个复杂的经济范畴，既包括土地价格，也包括建筑物价格。房屋与土地是一个不可分割的统一体，房地产价格就是这个统一体的价格。房地产价格的形成机制与一般商品的价值一样，都是人类劳动智慧的结晶，具有价值。
房地产估价，又称房地产价格评估，是对房地产进行估值的工作。即持有《房地产估价师资格证》或《房地产估价师注册证》的专业人员，根据估价目的、估价原则、估价程序以及对影响房地产价格因素的综合分析，运用估价方法，结合估价经验和对影响房地产价格因素的分析，对特定时点特定房地产权益最有可能出现的合理价格作出估计、推测和判断。
目前，人工智能已经在资产评估的一些领域进行了尝试和应用，并取得了一定的成效。以房地产评估为例，当前房地产评估行业人工智能的发展呈现出两个方向，如图1所示。一是以构建房地产评估体系平台为代表的自上而下的“因果”发展路径，一是以构建新型人工智能房地产实际成交价格预测模型为代表的自下而上的“果因”发展路径。
图1 人工智能在房地产行业发展模式示意图
人工智能第一种模式是模拟人解决问题的认知过程，以“专家系统”为代表，采用大量“如果-那么”的规则定义，自上而下的“因果”方式模拟人对事物的认知，即直接模拟人的认知判断过程进行编程和应用。其实质是从大量“如果-那么”的判断中得出最佳步骤。该模式在房地产估价行业应用的具体体现，就是各大估价机构建设的各种房地产估价系统平台。如图2所示，目前的估价系统（产品）主要包括估价运营系统、估价业务及报告交付平台、估价业务及报告交付平台、房地产数据服务系统等。
图2 房地产估价系统平台分类图
人工智能的另一个分支，是以人工神经网络为代表的新型估值模型的出现。人工神经网络并非模拟人的思维方式来解决问题，而是自下而上直接模拟大脑神经元的结构思路。它从信息处理的角度对人脑神经元网络进行抽象，建立简单模型，按照不同的连接方式构建不同的网络。人工神经网络代表了另一种自下而上的“因果”方式，不需要给出既定的规则，只要给出足够多的数据，它就能自己发现规律和联系，从而开辟出一条新的认知路径。
1 BP神经网络模型概述
BP神经网络是人工智能领域中应用十分广泛的一种神经网络模型，本文拟利用该神经网络模型探索其在房地产估价中的可行性。
人工神经网络（ANN）又称神经网络（NN），是由大量处理单元（神经元）广泛互连构成的网络，是对人脑的抽象、简化和模拟，反映了人脑的基本特性。BP网络（Back-Propagation Network）是一种多层前馈神经网络，其名称来源于网络权值的调整规律，采用反向传播学习算法，即BP学习算法。
感知器学习是神经网络最典型的学习，目前控制中采用的是多层前馈网络，是一种感知器模型，学习算法采用BP方法，因此是一种教师学习算法。
多层感知器神经网络（MLP）算法在输入层和输出层之间增加了一个或多个隐藏层，其典型的输入输出关系如下（以隐藏层第j个神经元为例）：
在实际网络中，λ常取1，为隐含层第j个神经元的输出，为隐含层第j个神经元的输出，为输入层第i个神经元与隐含层第j个神经元之间的连接权值(即连接强度)，为隐含层第j个神经元的值(修正值)。理论证明表明，层数大于(或等于)3的BP网络可以用于任意复杂的模式识别。在该模型中，感知器中输入神经元的个数由信息单元特征向量的维数决定，输出神经元的个数由冗余度的层数决定。
3.神经网络在市场规律中的应用
1. 神经网络应用于房地产估价的可行性
BP神经网络作为一种智能评估的预测方法，应用到传统的市场规律评估实践中，将大大减少评估实践的工作量，提高工作效率，保证评估的准确性，减少评估误差。BP神经网络的优点在于，与传统的线性回归方法相比，BP神经网络模型可以解决大量的非线性问题，其样本数据可以不断更新，每完成一次评估，就可以将评估数据纳入评估数据库，使评估工作可以多次循环使用，从而将评估工作的重点从传统的注重评估方法的应用转变为评估数据库的维护，进一步降低了评估工作的成本。
2.构建房地产价格影响因素评价指标体系
1.影响住宅房地产估价因素的分类
房地产价格受多种因素影响，建立房地产价格评估指标体系，首先要合理划分影响房地产价格的各种因素，然后分析这些因素的合理性、客观性，选取那些能够动态、普遍地反映一定时间和区域房地产价格的因素，纳入房地产评估指标体系。
住宅房地产价格是多种因素相互影响、相互作用的结果。影响住宅房地产价格的因素可分为宏观因素和微观因素两大类。实际操作中，为了便于分类和量化计算，往往只考虑上述微观因素中的交易日期、交易情况、区域因素和个体因素等，而对宏观因素则采用假设的方法进行评价，假定宏观因素在评价前不会发生变化。
住宅房地产的宏观影响因素包括政治因素、政策因素、经济因素和社会因素。
1）政治因素：政治因素主要包括国际关系、国内政治局势、产权制度、法制环境等。
2）政策因素。影响住宅价格的政策因素主要有区域发展政策、住房政策、土地开发政策、信贷资产、货币政策、限购政策和税收政策等。
3）经济因素。经济因素包括经济发展、经济结构、居民收入、城镇化水平、消费结构等。
4）社会因素。社会因素包括人口、教育、科技、文学艺术、道德、宗教、价值观念、风俗习惯、社会保障、媒介信息等。
住宅房地产微观影响因素包括交易日期、交易情况、区域因素、个体因素。
1）交易日期。交易日期因素主要反映住宅房地产价格在不同交易日的波动情况以及房地产随时间升值的内在特征。
2）交易情况。交易情况因素考虑关联交易、急于变现的交易、特殊的房地产交易、交易双方是否缺乏了解、相邻房地产的合并交易、交易税负异常等相关因素。
3）区域因素。区域因素包括商业服务繁荣程度、交通便捷程度、医疗卫生程度、文化教育程度、环境质量、绿地覆盖率、基础设施完备程度、公共设施完备程度、规划限制等。
4）个体因素。个体因素包括小区位置、街道条件、房龄、楼层、朝向、建筑结构、建筑质量、户型、权益状况、装修水平、设备状况、物业管理等。
2.房地产价格因素评价指标体系的确定
由于在估价实践中，影响房地产价格的宏观因素大多已由估价假设预先设定，因此，此类宏观因素大多不纳入房地产价格因素评估指标体系的考虑范围。房地产价格因素评估指标应兼顾指标的实用性和可操作性，因此，在实际参考房地产估价从业人员的意见后，最终会将包括成交日期、成交情况、地域因素、个体因素等微观因素纳入房地产价格因素评估指标体系。
3 评价指标体系的量化方法
由于房地产价格影响因素评价指标体系中既有定性指标，也有定量指标，因此，在考虑各指标在整个评价体系中的可比性的情况下，应将定性指标量化。对于定性指标，往往采用等级评分法进行区分，但由于实际房地产价格评估过程中不同指标的影响程度不同，等级数量也应有针对性、细化。为了进一步细化和规范等级评分法的具体应用，提高影响因素的量化准确性，本文借鉴辽宁中华资产评估机构在房地产评估实践中对房地产价格影响因素的权重模型，如表1所示。并根据各影响因素的不同权重，在询问评估从业人员的意见并参考评估工作经验后，最终确定了等级评分法中不同影响因素对应的具体等级划分内容，如表2所示。
4.市场化方式评价指标体系构建
选取的23个因素指标中，第1位为交易日期因素指标，第2位为交易形势因素指标，第3位至第11位为区域因素指标，第12位至第20位为个体因素指标。各影响因素的量化标准汇总如表3所示。
无法给出影响因素重要性的权重，但可以采集一定数量的样本，并合理量化这些样本的房价及影响因素。应用神经网络模型，以住宅房地产样本价格的各类影响因素作为输入，以住宅房地产样本的价格作为输出。通过样本学习房地产定价模型及应用，确定网络的结构和学习参数；确定神经网络结构，已知网络的层数、每层神经元节点数以及各节点之间的连接权重，从而建立房价与其影响因素之间的非线性关系；在计算房地产价格时，只要输入待测样本价格影响因素的量化值，即可输出该样本的价格。
4.基于神经网络的房地产估价实证分析
1. 样本选择与归一化
1. 样本选取
以房地产市场中最活跃、最具代表性的普通住宅为研究对象，通过分析神经网络模型对住宅房地产价格的预测功能，验证了人工智能估价模型在房地产估价领域的适用性。
本文案例均为辽宁省大连市实际发生的房地产交易案例，选取案例时考虑了以下四个因素：交易日期以近期为主，主要选取2017年10月份的案例；样本覆盖大连市所有行政区；样本为具有区域代表性的住宅类房地产；评估案例已实际成交。共筛选出50个样本，其中40个样本作为神经网络模型的测试样本，10个样本作为神经网络模型的检测样本。
2. 构建示例数据集
按照表3中影响因素量化标准，得到样本影响因素量化结果。
3. 样本归一化
通常情况下，神经网络的输入/输出数据应该在0~1之间。由于本文构建的模型不满足此要求，因此需要对选取的样本数据进行归一化。归一化的方法有很多种，包括最大值最小值法、Z-Score法等。本文采用以下方法进行归一化：
差异相对较小房地产定价模型及应用，小于设定的模型误差10%，说明模型准确率较高，能够准确预测房产预期成交价格，与实际成交价格比较接近。
从模型的集中度来看，BP神经网络模型的相对误差的极值区间与均值都比较小，且均值小于本模型设定的误差，说明集中度较好。
从模型的偏离程度来看，BP神经网络模型相对误差的方差和标准差都比较小，说明其偏离均值不大，相对误差在较小的范围内变化，且相对误差之间的差别也不大。
从模型相关性来看，BP神经网络模型的LSE（最小平方误差和）相对较小，表明该模型具有较高的相关性，能够更好地刻画房地产实际交易价格与各影响因素之间的非线性关系。
因此，从模型精度、模型集中度、模型偏差、模型相关性四个方面考虑，可以看出BP神经网络适合作为房地产估价中价格预测的工具。
随着人工智能的不断发展，传统资产评估逐渐暴露出一系列缺陷和问题，不断涌现的新型评估需求要求评估人员采用新的评估方法，构建智能评估模型。本文在研究影响房地产价值和房地产交易价格的因素的基础上，探究BP神经网络模型在房地产评估中价格预测的作用，揭示影响因素与最终交易价格之间内在的非线性映射关系，并通过实证研究验证BP模型具有较高的预测精度和有效性。并从模型精度、模型集中度、模型偏差、模型相关性四个角度对BP模型进行分析评价，力图为人工智能时代的房地产评估预测提供一种新的思路和方法。（作者单位：东北财经大学会计学院/中国内部控制研究中心 本文转载自《中国资产评估》2018年第11期）
