【永信行视界】基于比较法的房地产自动估价模型应用浅析

文章附图

  随着大数据时代的到来,房地产自动估价已经在很多领域得到了广泛的应用,但是如何构建房价模型是一直是一个难点,本文尝试将目前最常见的基于比较法思路的房价模型进行总结,并分析其优缺点,为优化当前的房价模型提供一些思路。

一、自动估价的应用现状

随着大数据时代的到来,房地产自动估价已经在房产交易、金融信贷、房地产计税、司法拍卖、资产管理等领域得到了广泛的应用。在房产交易中,自动估价可以提供交易价格参考信息,甚至自动生成市场分析报告,打破信息不对称,使买卖双方的决策更科学;在金融信贷领域,通过线上的自动估价系统实现押品的贷前预评估、贷中授信审批和贷后批量复估,从各环节有效控制金融风险,提升用户体验和效率及降低成本;在房地产计税领域,自动估价系统可代替传统的评估报告,基于整座城市的房价模型实现交易房屋价格的自动估价;在司法拍卖领域,一些拍卖平台通过自动估价系统(如京东的大数据评估平台),为司法拍卖提供参考价咨询性质的服务,增加了法定评估之外的询价渠道,提高了司法处置的效率,也降低了成本;在资产管理领域,通过自动估价对房地产的状况和价格进行动态监测,实现资产组合的价值管理。

相对于传统的人工估价,基于计算机系统的自动估价具有很多优势,包括估价效率高、数据更新快、应用场景多、使用成本低等。如何让估价技术由原来的人工方式向机器处理的方式转化,建构计算机的自动估价模型,是自动估价应用的核心问题。

二、房价模型的建构思路

自动估价系统能够模拟比较法、收益法、成本法、路线价法等传统方法,并可结合模拟回归分析、特征价格法等统计分析技术,改进方法的不足。房地产市场的日益成熟,使得比较法成为自动估价应用最多、广受认可的方法。根据长期的实践经验,基于比较法的房价模型主要有可比案例法、案例均价法、基准房价法、样本关联法、区域指数法等。

(一)可比案例法

这种方法属于直接比较法,适用于交易活跃且内部价格差异较大的楼盘。具体做法是将房地产交易案例导入数据库,自动估价时调用最接近评估对象面积、楼层、朝向、装修等因素的若干个案例,通过一定的权重对案例价格进行处理,得到评估价格。一般来说,权重根据案例的可靠性程度来确定,越接近估价对象的案例,其权重越大。该方法的公式如下:

(二)案例均价法

这种方法属于间接比较法,适用于交易活跃且内部价格差异不大的楼盘。它通过将交易案例导入数据库,按照加权平均算法作为楼盘的平均价格,估价时根据估价对象面积、楼层、朝向等因素进行调整得到评估价格。在这种方法中,案例不再直接参与估价过程,而是“隐居幕后”,作为楼盘均价的依据,每一个案例都构成了楼盘均价的一个因子。通过加权平均得到的楼盘均价,可视同“价格锚”,案例越多,“价格锚”越稳定。当楼盘内部的异质性较强时,通过对案例的特征进行细分,可得到不同物业类型、面积段的房屋均价,以便将楼盘有针对性进行拆分,减少异质性。该方法的公式如下:

(三)基准房价法

这种方法也属于间接比较法,一般用于房地产计税领域。基准房价是基于房地产市场价值而建立的统一性的房地产价格基准,这种统一性体现在:价格标准相同、房价计算依据相一致、与市场价格信息同步。基准房价可以片区为单位,结果可精确到小区和楼栋。基准房价最常用的求取方法是特征价格法,后者是基于特征价格理论而产生的价格计算方法,首先要形成涵盖空间、实物、权属等多种属性的基础数据库,然后将房价的特征因子进行量化,做回归分析,得出不同因素和房价之间的相关系数,在此基础上计算片区、小区、楼栋的基准价。估价时根据估价对象所在小区或楼栋的基准价与估价对象面积、楼层、朝向等因素的总修正系数的乘积得到评估价格。基准价格法对于不同估价对象的价格差异进行了大量的模拟和测算,可满足不同估价对象的横向对比,价格的主观感受比较直观。该方法的公式如下:

(四)样本关联法

这种方法属于间接比较法,常用于交易不活跃的楼盘。它借鉴了基准房价法的基本思路,用相关系数的方法确定楼盘基准价格,不同的是,它通过在同一区域内选取若干个具有代表性的样本楼盘,将区域内的其他楼盘与之关联,“锁定”这些楼盘与样本楼盘的关联系数,以后每次只更新样本楼盘的基准房价,非样本楼盘则根据关联系数直接更新。这种方法“以少数代表多数”,使得样本楼盘的选取变得非常重要,样本楼盘应为交易活跃、房屋属性具有普遍性、与区域内较多的楼盘具有可比性等。公式如下:

(五)区域指数法

这种方法属于间接比较法,常用于成规模的房地产区域内的楼盘。它借用了土地估价中的“均质区域”概念,将房地产市场也划分为若干均质片区,并假定同一片区内的所有楼盘价格涨跌幅度与片区基准房价的涨跌幅度相同,用样本楼盘计算片区基准房价,然后得出环比上期的涨跌幅,得到片区价格指数,片区内所有楼盘参照此价格指数确定本期价格。这种方法的特点是“以片区代表楼盘”,虽然理论上不甚完美,但是操作简单,能够满足精确度要求不高的自动估价场景。公式如下:

在应用上述这些方法的过程中,往往还需将人工核价作为补充。针对市场上交易不活跃、案例样本数量少、结构不均匀、价格特殊的楼盘,如老旧住宅、高档住宅等,可充分发挥估价师经验的优势,对相关的价格进行审核。

三、各种房价模型的优缺点

不论是采用何种思路去建立房价模型,交易案例始终是其根本,否则再好的模型也是“无源之水,无本之木”。从对案例的处理方法来看,可以将上述房价模型分为两类,一类是直接法,另一种是间接法。

表:各种房价模型的特征

可比案例法属于直接法,是将交易案例作为估价的直接依据,优点是估价方法科学合理,形式上最符合估价规范,估价结果贴近市场行情、可靠性强。缺点是对案例的要求高,案例必须是全样本案例,覆盖面要做到尽可能广,保证足够的数量和多样性,否则当案例数量不足、存在结构性偏差时,估价结果可能会失真。案例满足要求是前提,自动估价系统还要能够智能地匹配、选取相对合理的案例。

案例均价法、基准房价法、样本关联法和区域指数法都属于间接法,交易案例不必为全样本,优点是估价过程的标准化程度高,对于无案例价格依据的楼盘也能进行处理,价格偏差程度总体可控,后期楼盘价格更新便捷。缺点是价格因子比较复杂,初期工作量大,一些案例的因子缺失则影响精确度,样本楼盘选取或均质区域划分不合理时将造成较大范围的影响。

四、房价模型构建的难点问题

基础数据的标准化。完整的基础数据库,是建立一套可靠的自动估价系统的前提,它一般包括楼盘、楼栋甚至房号的地理信息、实物状况、权属状况等,多采用标准化的数据结构。但是数据的标准化存在两大障碍:一是地区发展差异造成的基础数据标准存在差异,比如区位信息中的交通通达度、繁华程度在不同的地区标准是不同的,必须结合当地实际情况,做到因地制宜;二是房地产地址的标准化,由于不动产登记信息与小区实际地址不总是一致甚至经常不一致,如果做不到以不动产登记的地址去查询以实现自动估价,很多应用场景的使用体验会打折扣。这方面估价机构具有先天优势,可将大量历史权证地址利用计算机进行解析。

交易案例的获取和处理。由于大多数地方的存量房交易数据开放性程度不高,缺乏真实成交案例一直是制约房地产估价的一大现实因素,只能通过自主搜集、与房地产经纪机构共享等有限途径获取,数量较少,难以满足自动估价的要求。故目前更多采用挂牌案例、评估案例作为交易案例。挂牌案例数量大、更新快,还可以全面反映卖方力量,但是虚假房源、重复挂牌等问题多,必须要对其进行清洗,包括剔除虚假信息,合并重复房源,对房源信息进行标准化处理,利用各类统计分析方法对价格偏离幅度较高的案例进行处理等。

房价模型的适用性。不同的应用场景对自动估价结果的要求有所不同,比如房产计税和司法拍卖对于估价结果精度要求截然不同,这就对房价模型的可靠性和灵活性提出了更多的要求,要针对不同的需求对估价的模型和参数进行合理的调整,比如金融信贷领域的自动估价,要遵循谨慎性原则,充分考虑市场风险,修正系数宜倾向于“保守”。此外,还要结合终端用户的估价目的进行模型的优化,使估价结果更加符合其需求,并提供更多个性化的估价参考信息。比如房产交易和资产管理的自动估价,不仅提供某个时点的市场价格,还可提供最高价和最低价,近期和未来的价格走势,周边类似房地产的价格等信息。

五、未来展望

不论计算机技术如何进步,自动估价的模型依然离不开现有的估价方法和技术,但是在形式上已经在不断创新。随着人工智能技术的快速发展,神经网络、决策树、随机森林等机器学习算法已经在房价模型里进行了有益探索,为房价模型的应用注入新的活力,为房地产估价技术途径和技术的突破开辟了新的阵地!


联系方式
027-82440633