摘 要：为了给土地储备部门提供一个比较实用的土地储备方案的风险评估方法，针对这一问题，本文运用BP神经网络分析模型，层次分析模型，信息熵权重确定模型，以及因子分析和聚类分析法来解决该问题。通过建立的模型和对数据进行处理分析，得到土地储备方案的风险评估的函数关系。
　　关键词：BP神经网络分析；层次分析；熵值取权法
　　近年来，通过实施土地收储及招拍，在增加地方财政收入，改善城市基础设施建设下，提高土地市场的公平性和透明性方面起到了积极有效的作用。但由于受到资金多、金融产品单一等的因素下，土地收储也成为金融风险的关键环节。土地收储机构可以通过利用银行的授信贷款、抵押贷款等渠道的信贷资金的方式来收储土地。而这些资金如果是在土地市场活跃较好的环境中，风险不易显现。但是当土地市场疲时，很容易因为所收储的土地无法变现而导致金融风险的集中爆发。影响土地储备项目风险性的因素很多，因此一个有效实用的土地储备方案的风险评估方法显得越来越重要[ 2 ]。本文通过查阅相关资料和聚类分析提取了6个能够决定项目风险值的主要指标：收购储备面积，涉及拆迁补偿人口，动态回归周期，财务内部收益率，财务净现值，项目规划用途。本文通过分析和处理数据，建立大量数学模型，确立土地储备方案的风险评估方法。
　　1 预备知识
　　BP神经网络是一种按误差逆传播算法训练的多层前馈神经网络，该网络的主要特点是信号向前传递，误差反向传播[ 1 ]。在前向传递中，输入信号从输入层经隐含层至输出层逐层处理，每一层的神经元状态只受上一层神经元状态的影响。如果输出层没有得到期望输出，就会转入反向传播，通过预测误差调整突触权值和偏置来使BP神经网络预测输出值不断逼近期望输出值。
　　4 总结
　　BP神经网络具有自学习和自适应能力，这一特点完美地弥补了决策者在储备土地风险方面专业知识的欠缺。通过SPSS对一二级指标进行因子分析，在同一类因子中运用相关性分析确定出每一类因子的代表因子。随后在此基础上对土地收购项目的一二级指标进行聚类分析，提炼出对风险值影响最大的5项指标。建立BP神经网络和层次分析两个模型，分别得出这五项关键指标与风险值的函数关系。在建立层次分析模型后，再次建立基于信息熵的权重确定模型，修正了层次分析法带来的因素对权重的主观影响。
　　参考文献：
　　[1] 姜启源，谢金星等.数学模型.第三版.北京：高等教育出版社，2003，8.
　　[2] 韩丽英.土地使用权评估.中国人民大学出版社，2003-11-1.
　　[3] 司守奎，孙玺菁.数学建模与算法应用.
　　[4] 王吉权.BP神经网络的理论及其在农业机械化中的应用研究.沈阳农业大学，2011.
　　作者简介：陈芦园（1995-），女，江西赣州人，计算机与信息科学学院软件学院计算机科学与技术专业本科生。