摘 要：廣義虛擬經濟視角下房地產市場預警的前提是確定影響房地產市場發展的各個重要環節為監測對象，通過對監測警值的分析，確立房地產市場運行過程中已經存在的風險和可能發生的警情變化趨勢。房地產預警建立在預測技術之上，其預警方法是房地產預警系統的核心。通過對廣義虛擬經濟下房地產市場預警的理論與實證分析，本文提出房地產市場預警需要與計算機技術實現更密切的結合，開發城市房地產市場預警系統。先進的軟件使房地產預警系統具有良好的人機交互能力，將計算機信息系統建模技術引入到房地產市場預警領域將會成為今后研究的重點方向。
關鍵詞：廣義虛擬經濟；房地產市場；經濟預警；預警方法
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
“預警”從監督行為實施與監督客體經濟行為發生時序關系上看是一種事前監督，它是一個預先估測和揭示經濟監督客體的運行態勢或運行特征，然后通過一定的方法判斷其狀態是否偏離預期目標并具體度量其偏離預警線的強弱度，繼而發出預警信號的過程。經濟預警監測最早可以追溯到19世紀末法國經濟學家Forelli提出的以不同色彩作為經濟狀態評價的思想。1915年美國哈佛大學Parsons編制了“美國一般商情指數”，在綜合13個經濟指標信息的基礎上，根據時間變動差異關系分別編制為投資指數、生產量價格指數和金融指數。房地產作為宏觀經濟的分支，宏觀經濟預警研究理論與方法也可用于對房地產市場的預警。20世紀60年代初，美國房地產市場學家Stephen A. Pyhrr等開始研究西方房地產市場的周期性，探索其房地產周期波動及其機理。20世紀90年代對房地產的研究多基于一種假設，即用于研究房地產的數據可以完全代表房地產的周期波動狀況。Ronal認為這種假設只能包括房地產長期周期波動的一部分，但將它們用于描述房地產狀況的能力卻是有限的[1]。Karl在研究中重點揭示了在美國經濟周期中會影響經濟和房地產市場的因素，分析考慮了房地產在需求上的重要作用，及房地產通脹時可能發生的對經濟的影響結果[2]。國內學者趙黎明、錢偉榮等選擇統計預警方法，選取房地產投資額、新開工面積、施工面積、竣工面積、銷售面積和土地開發面積這六個指標作為警兆指標，以房地產銷售率作為警情指標，通過時差相關分析來進行指標分類，利用經驗確定預警界限，確定了模糊評價方法來進行警級綜合的警情預報[3]。葉艷兵等在把握房地產市場運行規律的基礎上，按照系統的觀點，采用多方法、多模型集成和多庫協同規劃，構建城市房地產預警系統的總體框架體系，并以武漢市的房地產市場運行的實際為對象，探討基于景氣循環波動理論的房地產預警、基于系統核與核度理論的房地產綜合模擬預警和基于模糊神經網絡理論的房地產預警模型與方法[4]。
廣義虛擬經濟的發展為社會經濟發展注入了全新的元素[5]。從貨幣資金流的角度來看，虛擬經濟領域越來越多地滯留貨幣資金，即流動性過剩出現了泛化的趨勢，即貨幣的“金融窖藏”（Financial Hoarding）。這些貨幣的存在改變了貨幣供應量變動與物價水平的關系，使得房地產領域起著調節貨幣流、穩定物價的功能。當前人民幣升值預期和國際收支持續順差引起國家外匯儲備猛增，使國內流動性過剩問題十分突出，而包括房地產在內的虛擬經濟充當了吸收流動性過剩的主要載體。隨著流入資金的增大，房地產市場成為吸收貨幣資金的重要場所。此外，虛擬經濟可以化解大量來自于外部的沖擊，保障宏觀經濟的穩定發展?？梢姡ǚ康禺a在內的虛擬經濟的穩定對實體經濟的穩定起著越來越重要的作用。在廣義虛擬經濟系統中，為防止房地產市場價格的劇烈波動，需要建立起房地產市場發展的預警機制，從而制定一系列調控價格的政策。不同政策對房地產市場價格的調控效果不同。在不同的政策作用模式下，市場主體的利益預期的改變、行為規則的調整等問題呈現出不同規律，利益流動、資源轉移和均衡形成機理也呈現出各自的特征，價格調控政策的效果也會呈現明顯的差異。房地產市場的發展現狀，給政府有關決策部門、行業管理組織和理論研究者提出了一個重大的現實問題，即如何認識我國房地產市場自身的發展規律，減少盲目性，避免決策失誤。其中一個重要的途徑就是要從我國的國情出發，在大量的理論與實證研究基礎上，建立一套用來全面跟蹤、監測和調控房地產市場發展的預警體系。因此，系統研究廣義虛擬經濟視角下房地產市場預警問題，具有重要的實際應用價值。
二、房地產市場廣義虛擬經濟預警模型選擇
房地產市場預警的前提是確定影響房地產市場發展的各個重要環節為研究監測對象，即可能出現房地產市場過熱和房地產市場過冷的相關環節和領域。這其中包含了兩項工作：一是對房地產市場發展過程進行監測，對監測對象同其他相關環節的關系狀態進行監視；二是對大量的監測信息進行收集、分類、整理、轉化、標準化等處理，建立信息檔案，進行歷史和社會的比較。臨界區域是確定房地產市場所處階段的值域，每個階段對應于一個相應的值域。只有確定了房地產市場階段的臨界值域才能據此確定房地產市場當前發展狀況。通過對監測到的警值的分析，可以確立房地產市場運行過程中已經存在的風險和即將可能發生的警情變化趨勢。識別的任務是選擇出“適宜”的預警指標來判斷房地產市場的哪個相關環節已經或即將出現不正常情形。在識別診斷和評價的基礎上，綜合分析處理各個影響因素所反映的房地產市場信息，進行匯總聚類分析，得出房地產市場總體狀況；進而制定房地產市場狀況報告，上報給房地產相關部門進行決策。政府部門和房地產企業決策者根據房地產市場狀況報告做出相應決策。如果房地產市場處于正常運行狀態，則應繼續監測，如果不正常則應立即采取相應措施使其重新步入正常軌道。已有研究成果證明，BP神經網絡不僅在大樣本的預測中具有很好的預測精度，而且對于小樣本的預測仍然具有良好的預測效果。在房地產市場預警體系研究中，各預警指標對市場的貢獻度由神經網絡根據歷史數據的規律自動調整，避免將權重人為主觀化，利用BP神經網絡進行預測的預測結果具有可靠性和可信性。因此本文采用BP神經網絡模型對廣義虛擬經濟條件下房地產市場預警體系進行預警預測。
（一）神經網絡模型
人工神經網絡是人腦思維系統的一個簡單的結構模擬，可以模擬基本形式的人腦神經元功能[6]。人工神經網絡的信息處理是通過神經元之間的相互作用來實現的，知識與信息的存儲表現為網絡中神經元互連分布式的物理聯系，網絡的學習和識別則取決于各個神經元的連接權值的動態演化過程。人工神經元是人工神經網絡的基本處理單元，能夠模仿生物神經細胞的三個基本功能：其一，確定輸入信號的連接權值，連接權值為正時表示興奮，為負時表示抑制；其二，確定各輸入信號連接權值的加權和（稱為整合函數）；其三，通過激活函數（Activation Function）確定其輸出[7]。人工神經元有多個輸入神經元I。對神經元的每一個輸入都有一個加權系數wij，根據每個輸入的權重分配，神經元對所有的輸入信號進行整合，以確定全部輸入的總效果。得到輸入的總效果后，神經元對輸入進行處理，主要體現為將總輸入和偏置值進行比較以及將比較后數值進行函數轉換，最后得到人工神經元的輸出yi，因此，可以將人工神經元的輸入輸出對應關系表示為：
其中，yi為人工神經元的輸出，xj為人工神經元的輸入，wij為輸入xj到神經元i的權重，θi為人工神經元i的閾值， f (x)為神經元的轉移函數。
式中： xj表示輸入信號， wij表示連接權值，f (si)為激活函數，θi表示閾值，Si為整合函數，yi為輸出函數。BP算法的學習過程是由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經隱層單元逐層處理，并傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉向反向傳播，將誤差信號沿原來的通路返回，通過修改各層神經元的權值，使得誤差信號最小。首先進行初始化，給每個連接權值wij、 vjt、閾值θi與γj，賦予區間[-1,1]內的隨機小值。隨機選取一組輸入和目標樣本 12(,,,)kkk Tyyy=…
提供給網絡。其次,用輸入樣本12(,,,)kkk
連接權wij和閾值θi計算中間層各單元的輸入Sj，然后用Sj通過激勵函數計算中間層各單元的輸出bj。
bf sjp==…
利用中間層的輸出bj連接權wij和閾值γj計算輸出層各單元的輸出Lt，然后利用Lt通過激勵函數計算輸出層各單元的響應Ct。
Tyyy=…的實際輸出Ct，計算輸出層的各單元一般化誤差：
()(1)
dyC CC=??1,2,,tq=…
利用連接權vjt、輸出層的一般化誤差 k
θθβ+=+。
其中，i =1,2,…, n，j=1,2,…,p，0＜β＜1，N為迭代次數。隨機選取下一個學習樣本向量提供給網絡，直到m個訓練樣本訓練完畢。重新從m個學習樣本中隨機選取一組輸入和目標樣本，直到網絡全局誤差E小于預先設定的一個極小值，即網絡收斂。如果學習次數大于預先設定的值，網絡就無法收斂。
（二）BP神經網絡算法改進
盡管BP神經網絡算法得到了廣泛應用，解決了許多實際問題，但BP算法仍存在一定不足，其中最急需解決的問題主要有兩點：其一，收斂速度慢，通常需要幾千步迭代甚至更多，尤其對于復雜網絡結構，由于輸入維數大，造成網絡的計算量繁瑣，效率低下；其二，存在“局部極小點”的問題。在學習的過程中有時會出現當學習反復進行到一定次數后，雖然網絡的實際輸出與期望輸出還存在很大誤差，但是無論如何學習，網絡全局誤差的下降速度都變得很緩慢，或者根本不再變化，這種現象是因為網絡收斂于局部極小點所致[8]。網絡的結構參數（包括隱含層數、隱含層單元數）和運算參數（如步長、非線性函數的選?。┑拇_定尚無公認的理論指導，往往是根據經驗選取，一旦選取不當，系統性能將惡化，無法達到預期的預測效果。針對BP算法的兩個缺陷，本文對原有BP網絡算法進行改進。采用自適應學習法和動量添加法修改標準BP算法，以有效地規避網絡陷入局部最小點等問題。傳統BP算法實際上是一種下降靜態尋優算法，在修正權值w(k+1)時，只是按照k時刻的負梯度方向進行修正，而沒有考慮到以前積累的經驗，即以前時刻的梯度方向，從而常常使學習過程發生震蕩，收斂緩慢。其權值修正函數寫為：w(k+1)=w(k)
+ηD(k)。其中，w(k) 是連接權值，
k時刻的負梯度，v是網絡的實際輸出與希望輸出的平方誤差，η是學習率。針對標準的BP算法存在的問題，可以采用改進算法：
w(k+1)=w(k) +η[(1-α)D(k)+aD(k-1)]
a是動量因子，采用動量因子法，可以有效的降低網絡對于誤差曲面局部細節的敏感性，很好地抑制網絡陷入局部極小。這種方法所加入的動量因子a實質上相當于阻尼項，在k+1時刻對權值修正的時候不僅考慮了k時刻的梯度，而且考慮了k-1時刻的梯度。促使權值向著誤差曲面底部的平均方向變化，減小學習過程的震蕩趨勢，從而改善網絡的收斂性。在BP網絡中，學習率 η的選取一直是一個重要的研究方向。η是權值調整公式的系數，標準BP網絡的權值調整公式為：
式中Δw(k) 是第k次迭代產生的權值調整量，η是學習率，E是第k次迭代的誤差，w(k) 是第k次迭代的連接權值?？梢钥闯觯簩W習率η的選取直接影響著權值調整量的大小，故其與網絡的收斂能力及收斂速率密切相關。學習率η選取過小，則每次權值的調整量就小，網絡收斂速度就很慢，也可能使網絡陷于局部極小（也即是前面說的訓練進入了“假飽和”狀態無法使誤差繼續減?。?；學習率選取過大，則權值的調整量就很大，可能使得收斂過程在最小值點附近來回跳動產生振蕩甚至使網絡發散。為了解決這一問題，需要在訓練過程中自動調整學習率，自適應調整學習率的改進算法的計算公式為：
(1)( )( ) ( )
ηηλ=?=??
從式可以看出，當連續兩次迭代其梯度方向相同時，表明下降太慢，這時可使步長加倍；當連續兩次迭代其梯度方向相反時，表明下降過頭，這時可使步長減半。此方法可以保證網絡總是以最大的可接受的學習率進行訓練。因此，通過不斷的調整學習率就可以加速網絡的收斂。
三、房地產市場廣義虛擬經濟預警的實證分析
在二元價值容介態的廣義虛擬經濟視角下，信息成為了財富。因而廣義虛擬經濟視角下的交易主體利益流動是信息傳遞的必然結果[9]。因而對廣義虛擬經濟視角下交易主體利益流動預警參數的設定和求解過程中，必須將信息在傳遞中的財富效應充分的表達和體現出來。房地產以及其他以“財富標志”為基礎的產業是廣義虛擬經濟視角下的代表性產業。在廣義虛擬經濟視角下房地產市場預警前提是確定影響房地產市場發展的各個重要環節為研究監測對象，即可能出現房地產市場過熱和房地產市場過冷的相關環節和領域。通過對監測警值的分析，能夠確立房地產市場運行過程中已經存在的風險和即將可能發生的警情變化趨勢。這里利用改進的BP網絡對江蘇省房地產市場的警情進行預警監測，BP網絡能學習和存貯大量的輸入—輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程，具體思路如下：輸入層為江蘇省房地產市場預警警兆指標數值，輸出層為根據江蘇省綜合警值分析法得到的警情轉化成的多維數值，如正常警情可轉化為五維向量（0，0，1，0，0）。隱層神經元個數根據最小誤差法確定。房地產市場的預警監測是根據各警兆指標警情相對于房地產市場警情的先行情況確定，如若施工面積是警兆指標并且房地產市場警情基準指標先行兩年，就可以根據2010年該指標的警值預測出2011年江蘇省房地產市場的警情。
（一）警兆指標時差相關分析
在房地產市場預警系統中，由于商品房銷售面積是房地產市場的即時反映，且與市場波動同步變化，可以敏感反映市場，故將商品房銷售面積增長率作為基準循環指標。但目前在我國各城市的預警預報實踐中多采用房地產價格或空置率等做基準指標。然而，由于江蘇省房地產統計中的空置率指標本身存在理論缺陷，加之在實踐中很難得到統一的時序數據，把上述指標作為基準指標就存在著一定缺陷。從理論上講，房地產價格的時序數據不健全，而且價格確定有一定的市場因素，還有一定的非市場因素，比如政府會不定期地出臺一些經濟政策來干預房地產市場。因此，本文最終選擇商品房銷售面積作為基準指標來進行江蘇省房地產市場預警體系警兆指標的時序分析，各指標相對于商品房銷售面積增長率的時差分析如表1所示。
時差相關分析法計算的結果表明以房地產價格指數為基準指標，江蘇省房地產市場警兆指標有：全社會固定資產投資、施工面積、房地產開發投資/社會固定資產投資、房地產開發投資、居民消費價格指數（上年=100）、土地開發面積，且這些指標相對于警情指標領先的年份分別為：全社會固定資產投資領先2年，施工面積領先2年，房地產開發投資/社會固定資產投資領先1年，房地產開發投資領先1年，居民消費價格指數（上年=100）領先1年，土地開發面積領先3年。
（二）房地產市場BP神經網絡預警監測
利用改進后的算法替代標準BP算法的學習訓練函數，在Matlab的神經網絡工具箱中有traingdx函數對應的網絡訓練[10]：首先，初始化隱含層和輸出層的連接權值 wij、vjt閾值θj與γj；其次樣本輸入值為Pk=(a1,a2,…,an),期望輸出值為Tk=(y1,y2,…,yq),網絡實際輸出值為Ck=(c1,c2,…,cq)。再次，正向傳播過程。對于第T次迭代，利用公式計算出隱含層的整合函數 f (Sj)和輸出值bj，計算出輸出層的整個函數f (Lt)和網絡輸出值Ct。最后，修正連接權值和閾值，利用誤差公式計算網絡誤差，判斷誤差是否滿足精度要求（E<ε），ε為給定的精度，如果滿足精度要求，則停止迭代，存儲連接權值和閾值，結束訓練；如果不滿足精度要求，則誤差逆向傳播，利用權值修正公式修改各層神經元的連接權值和閾值，并重復第三步，進入下一輪迭代，當迭代次數超過給定的最大迭代次數仍不滿足精度要求時，退出循環，修改網絡后重新訓練。BP神經網絡預測的步驟是：首先確定預測對象，本文中預測對象為江蘇省房地產市場預警體系警度；然后確定預測BP神經網絡的結構，即確定用于預測的BP神經網絡的層數，輸入層、隱層及輸出層的神經元個數；再后確定所選預測BP神經網絡的傳遞函數、訓練函數、權值學習函數和性能函數；最后建立網絡，按照BP神經網絡的學習訓練算法進行預測。
第一，輸入層。由于是通過警兆指標來對房地產市場預警警情進行分析，因此需要考慮時差因素，具體做法是將房地產市場預警年份減去時差數得到所采用的警兆指標所在年份，通過警兆這一年份的數值進行綜合警情預警監測。由于數據統計年份截止至2010年，考慮房地產開發投資等指標相對于警情只領先一年，因此只能用現有的警兆指標數據預測2011年江蘇省房地產市場警情。在6個警兆指標中領先年份最長是土地開發面積，該指標領先警情3年，其輸入年份是7年數據。輸入層神經元個數由輸入變量決定，輸入樣本為7維的輸入向量，因此輸入層一共有7個神經元。
第二，輸出層。輸出層神經元個數由輸出類別決定，由于房地產警情有過冷、微冷、正常、微熱和過熱5種情況，分別用一個五維向量來表示：用（1，0，0，0，0）表示過冷，（0，1，0，0，0）表示微冷，（0，0，1，0，0）表示正常，（0，0，0，1，0）表示微熱，（0，0，0，0，1）表示過熱。這樣可以在網絡中設計5個輸出神經元表示五種狀態類別。
第三，中間層。關于隱含層的層數有關文獻證明在一定條件下一個三層的BP神經網絡可以以任意精度去逼近任意映射關系，即一個三層BP神經網絡就可以完成任意的n維到m維的映射。而且經過實踐發現，與一個隱含層相比，用兩個隱含層的神經網絡訓練并無助于提高預測的準確率。因此本文采用三層前向型神經網絡的拓撲結構。中間層的神經元數目選擇是一個十分復雜的問題，往往需要根據設計者的經驗和多次試驗來確定，因此不存在一個理想的解析式來表示。神經元個數與問題的要求、輸入、輸出神經元個數都有直接的關系。個數太多會導致學習時間過長、誤差不一定最佳，也會導致容錯性差、不能識別以前沒有看到的樣本，故一定存在一個最佳的中間層神經元個數。通常在選擇最佳神經元個數時有三個參考公式：為輸入神經元個數，n2為輸出神經元個數，a為[1,10]之間的常數。還有一種途徑是，先使隱單元數目可變，或者放入足夠多的單元，通過學習將那些不起作用的單元剔除，直到不可收縮為止；同樣也可在開始時放入較少的神經元，學習到一定次數后，如果不成功則再增加單元數目，直到達到比較合理的單元數目為止。本文選用動態設計中間層神經元個數。根據上面的參考公式，將單元個數設計為在某一個區間內取值，再將它們對應的網絡預測性能進行比較，當網絡的預測誤差最小時，網絡中間層的神經元數目是最佳值。在設計狀態分類器時，根據Kolmogorov定理，一般中間層神經元個數應在2n1個左右。
第四，傳遞函數。傳遞函數的好壞對網絡的訓練效率至關重要。一般情況下采用Sigmoid型函數，經反復測試，選擇函數Tansig(n)作為輸入層到隱含層的傳遞函數，隱含層到輸出層之間的傳遞函數確定為Logsigmoid型傳遞函數Logsig(n)，Logsig(n)函數是Sigmoid的對數函數，它將神經元的輸入范圍從 映射到 。Logsig(n)函數是可導函數，其函數表達式是：
第五，訓練函數。這里的訓練函數采用改進后的BP算法訓練函數，MATLAB7.0工具箱提供了各種網絡結構的標準算法訓練函數，因此該算法可以直接調用MATLAB7.0工具箱中的traingdx訓練函數。該函數的學習算法是梯度下降動量法，而且學習速率是自適應的。訓練參數中目標誤差為0，動態系數為0.7，考慮到本例的實際情況，網絡隱層神經元個數應在13~18之間。因此，可以設計一個隱層神經元數目可變的BP網絡，通過誤差比較，確定最佳隱層神經元個數，進而產生神經元分別是13、14、…、18的誤差曲線圖，如圖1至圖6所示，對各誤差圖所出現的最小收斂誤差進行匯總如表2所示。
根據運行結果可知，在經過10000次訓練后，隱層神經元為18的BP網絡效果最好，因為其誤差最小為5.2E-007。故本文神經網絡組合模型中間層神經元個數確定為18個。研究認為，仿真輸出和目標輸出完全吻合實際情形，說明網絡的非線性映射能力很強。由此可知，該網絡可以有效地識別房地產市場預警指標體系預警程度，為江蘇省房地產市場預測提供了有效的工具；將訓練樣本的10個預測指標數據依次輸入到神經網絡的輸入端，并采用改進后的算法，對網絡進行訓練，經過10000次迭代訓練之后，網絡誤差很小，收斂到0.0001。
利用土地開發面積等6個警兆指標對2011年江蘇省房地產市場警情進行預測，測試結果為（0.0001，0.0007，0.9995，0.0000，0.0005），表明2011年江蘇省房地產市場發展正常，與目標輸出（0，0，1，0，0）相符，與江蘇省房地產市場發展實情是基本一致的。因此，本文所建立的基于BP神經網絡的房地產市場預警模型具有很好的泛化性能，可以作為江蘇省房地產市場預警體系的預警模型。用作2011年預警的6個警兆指標中，全社會固定資產投資、施工面積、房地產開發投資/社會固定資產投資、房地產開發投資、居民消費價格指數5個指標均在正常區間運行，只有土地開發面積一個指標是在偏熱區間運行。對這些指標進行具體分析：領先于警情2年的全社會固定資產投資在2009年發展正常，2011年有上升的趨勢但仍在正常區間運行；領先警情2年的的施工面積2009年發展正常，2011年依舊發展正常；領先于警情1年的房地產開發投資/社會固定資產投資2011年出現下滑，已逼近正常區間的邊界點，該指標以后的發展趨勢需著重關注，以防止該指標的偏冷對江蘇省房地產市場產生質的影響；領先于警情1年的房地產開發投資2011年出現下滑，鑒于其相對于2009年波動較為明顯，因此對該指標也應加大關注力度；領先于警情1年居民消費價格指數從2009年的偏熱發展區間下降至正常發展區間，該指標的歷史波動性較為劇烈，對于其下一步發展方向較難把握；領先于警情3年的土地開發面積在2009年位于偏熱區間，2011年出現大幅下滑降至正常區間逼近偏冷區間，這對于2012的江蘇省房地產市場可能成為一個信號，2012年江蘇省房地產市場的發展可能出現下滑，但這種趨勢不一定會致使2012年江蘇省房地產市場出現偏冷情形?？偟膩碚f，在6個指標中應當密切關注房地產開發投資/社會固定資產投資、房地產開發投資和土地開發面積3個指標的發展。由于警兆指標的最短先行年份僅為一年，所以只能通過現有警兆指標預測下一年份的警情，雖然預測年份較短，但也可為相關決策者提供決策的理論支持。同時由于國家時刻對房地產市場各項政策進行調控，與房地產市場直接和間接相關的各部門各企業存在發展的不確定性，因此較長時段預警預報可行性以及可信性反而不高，短期預警監測反而更加具有實際操作意義。
四、結論
通過對廣義虛擬經濟下房地產市場預警的理論與實證分析，可以得出以下結論：廣義虛擬經濟視角下房地產市場預警前提是確定影響房地產市場發展的各個重要環節為研究監測對象，通過對監測警值的分析，確立房地產市場運行過程中已經存在的風險和即將可能發生的警情變化趨勢。房地產市場預警模型是反映影響房地產運行狀態的一系列有內在聯系的指標組成的集合，也是一個從多個層面和視角反映房地產發展狀態的綜合系統。廣義而言，可以對房地產市場的發展起到影響的因素包括自然因素、經濟因素、社會因素、政策因素等。房地產市場預警需要與計算機技術實現更密切的結合，開發城市房地產市場預警系統。計算機技術能夠通過自動處理、分析、判斷輸入和存儲在計算機中的城市與房地產市場密切相關的各種信息，能夠對房地產市場發展中可能出現的各種異常態勢發出預先警告。預警理論與方法同計算機技術相結合是未來房地產市場發展的趨勢。房地產市場預警體系的建立應該引入更多的定性指標，以提高預警系統的嚴密性和準確性。
參考文獻：
[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] 趙黎明, 錢偉榮等. 住宅市場需求的組合預測[J]. 系統工程學報, 2001(3): 224-227.
[4] 葉艷兵, 丁列云. 房地產預警指標體系設計研究[J]. 基建優化, 2001(3): 1-3.
[5] 林左鳴. 虛擬價值引論——廣義虛擬經濟視角研究[J]. 北京航空航天大學學報(社會科學版), 2005, 18(3):21-25.
[6] 陳祥光, 裴旭東. 人工神經網絡技術及應用[M]. 北京: 中國電力出版社,2003: 35-37.
[7] 沈世鎰. 神經網絡系統理論及其應用[M]. 北京: 科學出版社, 1998: 84-93.
[8] 邵軍力, 張景, 魏長華. 人工智能基礎[M]. 北京: 電子工業出版社, 2000: 165-187.
[9] 林左鳴, 尹國平. 價值理論的困境、出路及創新研究——廣義虛擬經濟理論關于價值的主要觀點[J]. 廣義虛擬經濟研究, 2011,2(1):5-14.
[10] 樓順天, 施陽. 基于MATLAB的系統分析與設計——神經網絡[M]. 西安: 西安電子科技大學出版社, 1998:
214-221.