基于SVM的养老地产项目投资风险评价研究

李冲冲

摘要： 针对我国养老地产项目投资过程中资金需求量大、回收周期长且普遍缺乏开发经验等问题，提出将支持向量机（SVM）应用到养老地产项目投资风险评价中。并结合我国养老地产发展现状，建立基于SVM的养老地产项目投资风险评价模型。结果表明，该模型预测精度较高、运算速度较快，能够辅助养老地产开发企业在投资决策时及早预知风险，减少投资的盲目性，做出合适的决策。

Abstract： Aiming at the problems of the large amount of capital demand， long payback period and general lack of development experience in the process of China's endowment real estate investment， the application of support vector machine （SVM） in the evaluation of the investment risk of the pension real estate project is put forward. Combined with the current situation of China's pension real estate development， the evaluation model of investment risk of pension real estate projects based on SVM is established. The results show that the model has high prediction accuracy and fast calculation speed. It can help the pension real estate enterprises predict risks in making investment decision to reduce blindness in the investment and make suitable decisions.

关键词： 养老地产；风险评价；支持向量机

Key words： pension estate；risk evaluation；SVM

中图分类号：F293.3 文献标识码：A 文章编号：1006-4311（2017）11-0040-03

0 引言

随着人口老龄化程度的不断加剧，社会化养老日趋主流，而目前我国传统的养老机构供给不足、类型单一、设施简陋且服务水平低下，难以满足大多数老年人的养老需求。如何积极应对人口老龄化，解决有限的养老资源与急剧增长的养老需求之间的矛盾，成为社会密切关注的问题。作为社会养老的一种形式——养老地产，在此背景下应运而生。

养老地产是我国实现居家养老、社区养老与机构养老相结合等社会化养老的有效载体和实现形式[1]，大力推行养老地产可以有效地缓解政府的社会保障压力，解决我国目前所面临的社会化养老问题。养老地产作为特殊的新兴房地产行业，尽管其发展潜力巨大，但由于在我国尚处于探索和初步发展阶段，开发资金需求量大、回收周期长、市场定位不清晰且普遍缺乏开发全过程的经验，致使面临的风险因素复杂多样，给投资者带来巨大的风险损失。要想使养老地产在我国健康有序的发展，如何规避其投资风险，实现养老地产投资项目盈利成为目前亟待解决的问题。传统的风险评价方法有层次分析法[2]、灰色关联分析[3]、BP神经网络[4]等，但上述方法在实际运用中均存在一些不足，已不能满足养老地产项目投资风险管理的需要。支持向量机（Support Vector Machine，SVM）建立在结构风险最小化原理基础上，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷[5]，以期实现经验风险和置信范围的最小化，从而获得良好的统计规律和更好的泛化能力。与传统方法相比，其具有很好的魯棒性和预测能力，有效地解决了小样本、非线性的问题。故从养老地产实际出发，采用SVM方法对养老地产项目的投资风险进行评估度量，为养老地产项目的投资决策提供一定的支持。

1 养老地产项目投资风险因素分析

1.1 养老地产项目投资风险因素

1.1.1 项目建设风险

养老地产项目在整体规划建设方面要求很强的专业性，从项目选址、规划设计、配套设施等各方面必须符合老龄消费群体的身体特质与心理需求[6，7]，比一般住宅功能更加具体化、细节化。养老地产项目建设风险主要包括：选址风险、适老设计风险、配套设施风险和区域规划风险等。

1.1.2 养老地产市场风险

养老地产作为一个新兴的市场，由于老年人传统的养老观念并未改变，且对该产业知识的了解欠缺，尚未被社会真正接受和认可，这将直接影响项目的售出量和租赁量，容易给投资者造成损失。养老地产项目市场风险主要包括：市场供求风险、市场定价风险、养老市场认可风险和市场竞争风险等。

1.1.3 政策风险

我国支持和鼓励养老地产的建设，近一两年国家已陆续出台不少政策，但土地、税收、金融等支持政策不够细化，并没有形成一个完整的具有法律效力的鼓励性实施环境，最终导致政策不能落实到位，这成为阻碍养老地产发展的主要因素。养老地产政策风险主要包括产业政策风险、金融政策风险、税收政策风险、养老用地政策风险等多个方面。

1.1.4 经济风险

经济风险主要指一系列与经济发展相关会对养老地产投资项目的市场产生影响的风险。造成养老地产项目经济风险的来源较多，主要有融资风险、费用控制风险、通货膨胀风险等。

1.1.5 管理风险

相对于传统房地产项目，养老地产的管理服务内容更多，工作更繁琐，管理者经验水平和养老服务水平的高低，则对运营效果具有重大影响。养老地产项目管理风险包括养老地产项目管理者经验风险、养老服务风险等方面。

1.2 养老地产项目投资风险评价指标体系的构建

养老地产项目投资风险评价指标体系要求科学、客观、全面，能够确切反映影响项目风险评价状况的因素。故基于上述对养老地产项目投资风险因素的分析，对其所涵盖的影响因素进行进一步的归纳与分类，建立养老地产项目投资风险评价指标体系如图1所示。

2 支持向量机基本原理

3 基于SVM的养老地产项目投资风险评价

选取已建成的12个典型养老地产项目作为实例分析对象，采用已构建的风险评价指标体系对养老地产项目的投资风险进行评价。

3.1 收集数据

由于影响养老地产项目投资风险的各评价指标多为定性因素，故采用专家打分的方法，听取20位养老地产项目方面的专家意见，并依据多年的研究经验对各个项目进行打分，打分的分值为：0.1，0.3，0.5，0.7，0.9五个等级，依次对应风险：低，较低，一般，较高，高五个评价等级。打分时由专家充分审核，分析各个项目规划、实际运行和经营状况，给出各风险指标的评分值以及项目的风险值，汇总整理后，得到养老地产项目投资风险专家评估数据集。如表1所示，表1中第1列为12个学习样本，U1-U17列表示专家对各风险评价指标的平均值，最后1列为专家综合评价值。以体现养老地产项目投资风险的各项风险因素指标值作为支持向量机的输入向量，项目投资风险值作为输出变量，两者构成模型训练集。选取前9个项目的样本数据作为SVM训练样本集，后三个项目的样本数据作为测试样本集，用来验证基于SVM的养老地产项目投资风险评价模型的准确性。

3.2 确定模型参数

3.3 结果分析

将后三个作为测试样本代入建立的模型进行验证，实际输出结果分别为0.4418、0.3918和0.6482，其相对误差如表2所示。

从训练模型对测试样本评估的结果可知，SVM的评价值与专家评价结果基本一致，相对误差均在可接受范围内，基本上已能符合实际评估工作的要求，说明利用支持向量机建立的养老地产项目投资风险评价模型具有良好的适用性且拟合效果较好，可以用来评价养老地产项目投资风险，并且大大缩短了运算时间。至此，基于SVM的养老地产项目投资风险评价模型已经建立起来。对于待投资的养老地产项目，只需将项目的风险指标值输入训练好的模型中，即可得到该项目的风险评价值，同时确定相应的风险等级，而且可以快速批量的进行。

4 结论

以养老地产项目投资风险为研究对象，在对风险因素进行合理分析的基础上，结合我国养老地产的发展现状，建立了基于SVM的养老地产项目投资风险评价模型。并通过实例表明，该模型能够较好的对养老地产项目投资风险进行评价，结果精确且运行速度快，能够提高投资者决策的可靠性，有效的规避风险。支持向量机与常用的风险评价方法相比，减少了风险评价过程中的主观性问题，使评价结果更为客观，并且对样本数量的依赖性较弱，通过有限样本的學习而构建的评价模型具有较强的泛化能力和推广能力。因此，将支持向量机用于养老地产项目投资风险评价具有一定的实践意义。

参考文献：

[1]姜睿，苏舟.中国养老地产发展模式与策略研究[J].现代经济探讨，2012（10）：38-42.

[2]刘群红，钟普平，陈琛.基于AHP方法的老年地产项目投资风险评价研究[J].城市发展研究，2014（11）：29-32.

[3]刘涛，孟晓谕.基于改进灰关联分析的多层次综合风险评价模型研究[J].科学与管理，2009（6）：62-65.

[4]李欣泽，樊相宇.基于BP神经网络的房地产风险研究——以西安地区为例[J].现代商业，2013（30）：45-47.

[5]马义德，邱秀清.支持向量机若干优化算法的比较研究[J]. 计算机科学技术，2006.

[6]Gilroy R. Places that Support Human Flourishing： Lessons from Later Life[J]. Planning Theory & Practice， 2008， 9（2）：145-163.

[7]Smets A J H. Housing the elderly： segregated in senior cities or integrated in urban society？[J]. Journal of Housing and the Built Environment，2012，27（2）： 225-239.

[8]Kim J， Kim S， Tan L. Case Study on the Determination of Building Materials Using aSupport Vector Machine[J]. Journal of Computing in Civil Engineering， 2014， 28（2）：315-326.

[9]丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报，2011（01）：2-10.

[10]Cherkassky V， Ma Y. Practical selection of SVM parameters and noise estimation for SVM regression[J]. Neural Networks， 2004， 17（1）：113-126.

[11]陈果，周伽.小样本数据的支持向量机回归模型参数及预测区间研究[J].计量学报，2008（01）：92-96.

[12]任立辉，李文东，慈兴华，等.基于LIBSVM的石油录井中岩屑岩性识别方法研究[J].中国海洋大学学报（自然科学版），2010（09）：131-136.