拆迁估价中市场法修正系数的确定及估价模型的改进

1、拆迁估价中市场法修正系数的确定及估价模型的改进吴翔华吴翔华，（1972），男，江苏南京人，南京工业大学房地产经营管理系副教授，研究方向：房地产估价、土地管理、房地产市场研究。联系方式 南京市中山北路200号南京工业大学管理科学与工程学院 吴翔华 收 ,210009联系电话025-86481035E-mail xianghuaw 付光辉（南京工业大学管理科学与工程学院，中国江苏 南京 210009） Determination of correction factors and improvement of appraisal model in Market Appro

2、ach to Urban Building RelocationWu Xianghua， Fu Guang-hui （College of Management Science and Engineering , Nanjing University of Technology , Nanjing , Jiangsu , 210009）摘要：在房屋拆迁估价中重点是确定区域因素和个别因素，在通过专家调查法确定16个影响因素后，利用BP神经网络模拟重复交易法的方式测定每个影响因素对住宅房屋单价的影响值，得到影响因素的修正系数表，再利用因子分析法将各影响因素进行线性组合后减少维数、并剔除其不独立的影

3、响，将线性组合中得到的变换矩阵作为权重矩阵，对各修正系数进行赋权、转化，从而得到相互独立的新变量，利用乘法模型将新变量作为影响因素，科学合理地对拆迁房屋的价格进行修正、评估。关键词：拆迁估价；区域因素；个别因素；BP神经网络；因子分析法城市房屋拆迁估价指导意见中第六条明确指出：“房屋拆迁许可证确定的同一拆迁范围内的被拆迁房屋，原则上由一家估价机构评估。需要由两家或者两家以上估价机构评估的，估价机构之间应当就拆迁估价的依据、原则、程序、方法、参数选取等进行协调并执行共同的标准”。以住宅为例，如果不确定标准、不界定估价参数、修正系数的内容、幅度等，则由不同的估价机构、不同的估价师采用相同的市场法来

4、进行估价，由于交易情况、交易日期、区域因素和个别因素的修正中所采用的修正内容和修正幅度不同，估价结果完全很可能发生较大差异。交易情况、交易日期、区域因素和个别因素的修正，视具体情况可采用百分率法、差额法或回归分析法。其中，每项修正对可比实例成交价格的调整不得超过20，综合调整不得超过30。也就是说，如果标准样本的取值为100，则区域因素、个别因素的单项修正必须在80, 120的范围内，综合修正在70，130的范围内。区域因素修正系数和个别因素修正系数的取值方法可采用重复交易法进行，但同时应采用专家调查法进行补充和完善。以下以拆迁估价中的住宅为例，研究市场法中修正系数的确定方式与估价模型的改进。

5、1 修正系数的确定方式与估价模型的改进的主要思路1.1 改进重复交易法的思路重复交易法本来是用于编制房地产价格指数时常用的一种方法，是由Martin J. Bailey、Richard F. Muth和Hugh O. Nourse在1963年提出的重复售出模型发展而来的。重复交易法是根据同一宗房地产在不同时期售出的价格来计算房地产价格指数1 Martin J. Bailey, Richard F. Muth, Hugh O. Nourse. A Regression Method for Real Estate Price Index ConstructionJ. Journal of the

6、 American Statistical Association, 1963（58）：933-942。这样，不同时期考察相同的房地产，在结构、材料、外部品质等方面都相同，免去了控制房地产品质的麻烦。该方法的优点是基于同一宗房地产的价格变化运行。在剔除标的物折旧的影响后，根据重复交易法编制的指数可以满足房地产价格“同质性”的需要。 但同时，重复交易法的如下缺点也限制了其广泛运用： （1）有两次重复出售价格记录的房地产数量有限，样本容量相对较小，抽样误差较大； （2）重复交易价格的周期很难与指数要求的周期相匹配； （3）房产再交易间隔期间，发生重大整修或品质或质量变动会影响价格指数的真实性。即使

7、房地产品质在两次交易之间没有发生改变，也难以保证该房地产在不同的时期能够给人们带来相同的效用； （4）只利用重复交易价格信息而偏废一次性交易资料，难以保证资料的市场性； （5）重复交易函数模型中存在多重共线性的问题，即使用年限和两次出售间隔是完全共线性的。因此，尽管重复交易法的经济意义比较直观，计算也相对简单，但在实际应用时仍有一些欠缺。 基于以上原因，在测定区域因素修正系数和个别因素修正系数时，可以借用重复交易法的核心思想，但必须做出改进：首先应明确，区域因素修正系数和个别因素修正系数是在考虑单项修正而其他因素不变的情况下，由于单项因素发生改变而产生的对总价的影响，可用（1-影响百分率）的形

8、式来表示。其次，单项因素的前后变化应发生在同一估价时点，否则就会出现重复交易法可能出现的缺点，但这在现实的房地产交易中几乎不可能出现，以测定楼层修正系数为例：在同一小区的同一楼房中不同楼层但结构、户型、成新等完全相同的两套存量房屋同时成交，其总价便可反映不同楼层之间的层次修正系数，但这种成交案例在现实中除新建商品房外几乎不可能遇到，唯一的办法就是利用数学工具对存量房屋的情况进行合理的模拟。第三，由于选取的单项因素均为相对稳定的影响因素，在一定时期内变化较小，因此与时间关系不显著，这主要与该地区住宅消费的居住文化观念、效用相对稳定有一定关联，但每隔一定的周期必须重新进行测定，以保证其随时间而发生

9、变化时能够及时地进行修正系数的调整，也就是说必须建立动态监测机制与之相配合。由于重复交易法的实现较为困难，并且其方法本身存在诸多缺点，因此我们考虑引入BP神经网络的方法来模拟重复交易的过程。 人工神经网络实际上是一种信息的非线性变换系统，它具有强大的非线性处理能力，因其广泛的适应能力映射能力和学习能力，在多变量非线性系统的建模等方面有着广泛的应用。BP神经网络学习算法是目前在各领域中研究和应用最广泛的算法之一，BP神经网络所擅长的，是处理隐含在一大堆数据中的映射逼近问题，其非线性高度逼近能力是解决存量房重复交易模拟的有效方法。1.2 改进重复交易法的操作步骤改进重复交易法即引入BP神经网络的方

10、法来模拟重复交易的过程，并利用训练后的神经网络进行修正系数的确定，该方法的操作步骤如下：（1）成交案例的收集与整理首先按照不同的拆迁区位等级分别将收集该等级地区的成交案例，根据拆迁估价中市场比较法的要求，尽量选择近期的住宅成交案例，同时应将其覆盖至所有拆迁分区，但同时应区分不同的结构类型、区分多层与高层房屋等。由于存量住宅成交案例中存在带装修、含税、附赠家电设施等多种情况，因此需要对数据进行预先的筛选和整理，根据实际情况结合估价师经验在交易价格中剔除相应的价款。对整理过的成交案例需进行抽样样本的总体和方差检验，具体检验方法为：（a）用卡方检验法、秩和检验法分别对已知数据总体分布类型和未知数据分

11、布类型的样本进行总体一致性检验。（b）用t检验法和均值方差法分别对样本总体为正态和非正态分布的进行异常值剔除。样点的取舍区间为X-2SXiX+2S，其中Xi为某项指标值，X为某项指标均值，S为某项指标标准差。在确定方差检验精度后，精度以外的数据作为异常数据剔除。（2）根据区域因素、个别因素指标体系进行案例评分区域因素的选择和等级划分是在广泛听取各方面专家、学者意见的基础上，进行深入的专家意见征询，从可能影响住宅房屋价格的16种区域因素中选出了10种重要的备选影响因素。其中，80%的被调查者选择了重要商业配套设施、离市区主干道的距离、公交线路情况、所在学区学校情况、医院及医疗机构分布情况、自然景

12、观、环境状况、建筑或规划布局、建筑密度与外型、室外公共活动空间与绿化景观等作为影响住宅房屋价格的重要影响因素，因此将这10个要素作为备选的区域影响因素。根据10个区域因素指标的特点将其分类，归为景观环境、规划布局、交通条件、教育医疗设施、商业配套设施等五个大类，同时根据城市特点和专家经验进行各指标的不同等级划分，以南京市主城区为例，每种二级指标进一步可细分为五种等级，进而形成了区域因素指标体系与等级说明表（见表1）。区域因素中根据每项指标的不同等级进行案例评分一等至五等分别取5-1分。 表1 住宅房屋区域影响因素指标体系与等级说明表一级指标二级指标一等二等三等四等五等自然环境自然景观a1公认的

13、自然景观优越地区，如月牙湖、紫金山、玄武湖地区，依山傍水或临近公园。自然景观良好，附近有一定规模的绿地，环境整洁、卫生。自然景观一般，附近有一定的绿地和绿化，环境基本整洁、卫生。周边无自然景观，环境基本整洁。邻近地区无自然景观，拥挤、杂乱、环境差。污染状况a2空气清新、无污染，无噪音，水体清洁，达卫生标准。空气良好，无污染，白天基本无交通噪音，水体清洁。空气良好，少量污染，白天有部分交通噪音，水体局部污染。空气局部受污染，靠近主干道，白天和晚间均有噪音影响。靠近污染源、靠近车站、机场等，有严重噪音。规划布局建筑或规划布局a3布局合理、错落有致，满足通风、日照等健康要求。建筑风格统一、布局较合理

14、，排列较整齐。建筑风格不统一、布局一般，排列较整齐。建筑风格不统一、布局较局促。任意布置、杂乱、拥挤。建筑密度、外型等a4建筑密度在30%以下，外型整齐、美观。建筑密度在30%-40%，外型美观。建筑密度在40%-50%，外型比较整齐。建筑密度在50-60%，外型陈旧。建筑密度在60%以上，外型破旧杂乱。室外公共活动空间与绿化景观a5绿地率在30%以上，立体绿化，室外公共活动空间丰富。绿地率在30%以下，有绿地和绿树，有公共活动空间。绿地率在15%以下，部分绿地和绿树，公共活动空间较局促。少量绿化，基本无公共活动空间。无绿化，无公共活动空间。交通条件离市区主干道的距离a6离市区主干道的距离在1

15、00米以内。离市区主干道的距离在200米以内。离市区主干道的距离在200-500米之间。离市区主干道的距离在500-1000米之间。离市区主干道的距离在1000米以上。公交地铁线路情况a7距离公交站点500米内，有3条以上重要公交线路。距离地铁站小于500米距离公交站点500-1000米内，有1-2条重要公交线路。距离地铁站500-1000米距离重要的公交线路的距离在1000-1500米之间。距离地铁站1000-1500米距离公交线路的距离在1500-2000米之间。距离地铁站1500-2000米距离公交线路的距离在2000米以上。距离地铁站较远。教育医疗设施所在学区学校情况a8属于省级及以上

16、重点中学（初中）和重点小学学区。属于市级及以上重点中学（初中）和重点小学学区。属于市级及以上重点中学（初中）或重点小学学区。一般中小学学区。教育资源较少。医院分布情况a9距市级及以上医院500米以内。距市级及以上医院500米1500米。距市级及以上医院1500米2500米。距市级及以上医院2500米3000米。距市级及以上医院3000米以上。商业环境重要商业配套设施a10在1000米范围内有大型的市级商业配套设施。在1000米范围内区级商业设施较集中。在1000米范围内有分布的社区商业设施，满足生活需求。在1500米范围内有零散分布的商业网点，基本满足生活需求。在1500米范围内基本上无商业网

17、点。个别因素的确定采用Delphi法进行专家意见的反复征询，对影响当地拆迁估价的个别因素进行排序和筛选，得出住宅房屋的个别影响因素的内容。以南京为例，最终综合得出拆迁估价中一般应包括的个别因素有：成套因素、结构因素、成新因素、朝向因素、层次因素、功能因素等六项。当然，除了以上六项基本因素外，个别因素的内容完全可以根据不同城市的特点进行相应的增减，但应按照个别因素的确定流程进行。个别因素中指标的评分则按照如下规则进行：表2 住宅个别因素指标的评分规则指 标评分规则备 注成套因素a11成套住宅为2，非成套为1结构因素a12钢混结构中一等取2，二等取1；砖混结构中一等取3，二等取2，三等取1；砖木结

18、构中一等取2，二等取1不同结构大类必须分开测算成新因素a13三成及以下取3，四至九成取4-9朝向因素a14北取1、西取2、东取3、一间朝南取4、二间朝南取5、三间及以上朝南取6层次因素a15多层中所在楼层为3、4层取4，2、5层取3，1、6层取2，7层取1功能因素a16等级5等至1等分别取1-5（3）样本的训练与规范化 由于存量房屋市场是一个不稳定的动态变化过程，存量房屋价格的形成也受许多因素的影响。随着时间的变化，价格也有不同程度波动。训练样本越多，训练结果越能正确反映其内在的规律。但样本的收集整理又往往受到客观条件的限制，此外，当样本数量多到一定程度的时候，网络的精度也很难再提高。一般来说

19、训练样本应当是网络连接权总数的5-10倍，假设输入样本向量有16个，隐含层节点数为11个，则网络连接权总数为27个，则每个拆迁分区等级中训练样本至少为135个。 样本向量均转化为可量化数据，对定量指标，因其衡量单位不同，级差有大有小，趋向也不一定一致，必须利用效用系数对其进行规范化和同趋势化处理。当目标要求越大越好时，其效用系数可由下式计算：当目标要求越小越好时，其效用系数计算公式为:这样，所有数据被归一化为0，1之间的数，减少了识别数据的动态范围，提高了系统估价的准确性。作为学习样本用的期望输出数据(存量房成交案例)也采用此法处理。系统训练好以后，在得出BP神经网络输出层的数据后，系统再按相

20、反规则进行数据转换处理即可得出实际的房屋估价值。不可量化数据的规范化处理是对其进行编码量化。从城市房屋拆迁市场实际情况出发，将各种影响因素进行等级划分，对每一影响因素进行等级编码。 （4）权及阈值初始值域的确定 权及阈值是随着迭代的进行而更新的，并且一般是收敛的，但权的初始值太大，可能导致网络很快就达到饱和。另外，权的初始值对网络的收敛速度也有一定影响，采用数值分析法确定权及阈值的初始值域。对样本及权进行了规范化处理，相当于已经完成了从研究对象到神经网络模型的接口工作。（5）网络规模设计 选用具有一个隐含层的BP神经网络。为使该模型既有理论价值又具有可操作性，应视城市的具体情况选取存量房成交单

21、价的关键影响因素作为输入层结点数。输入层结点数等于样本向量的个数(见样本向量的选取)，输入数据为实数。输出层设计为一个结点，输出数据为实数，经数据转换处理，可得相应房屋的拆迁房屋估价。城市房屋拆迁估价系统要求精度高，要求可调整的连接权数多，所以本系统隐含层节点数应当大一些。具体可采用对比实验法，通过对比实验，选取最佳隐含层节点数。一般选以下方式确定隐含层节点数: （5.13）其中:为输出节点数，为输入层节点数，为1，10之间的常数。（6）激活函数设定 为了应用梯度下降法进行学习，激活函数必须是可微的。在实际应用中，根据需要选取适当的激活函数。针对模拟存量房交易市场这一目的，隐含层激活函数选用对

22、数sigmold函数，输出层激活函数选用线性pureline变换函数。 （7）BP算法流程及软件选用 本系统利用BP神经网络的LMS学习算法，在网络的学习过程中使用了梯度搜索技术，利用误差后向传播来修正权值，从而实现系统的实际输出与期望输出的均方差的最小化。本次BP神经网络所采用的工具为DPS7.05，其方便灵活的预测数据修改方式为测定区域因素、个别因素影响值提供了很好的条件。（8）利用估价模型测定区域因素、个别因素影响值可将影响因素指标值为100的虚拟样本为基准，将各指标录入到BP神经网络的模型中，得到相应房屋价格预测值，之后依次修改其中一个指标的等级，从而根据房屋单价的变化幅度测定出该指标

23、的修正影响值的大小，通过逐一计算每个指标的修正影响值得到整个修正系数体系。（9）区域因素、个别因素各指标的因子分析由于区域因素、个别因素的各指标间并不独立，因此需要通过一定的方法对这些指标进行赋权、组合，使之转化为相互独立的新变量，才能测定出在多个因素同时变动时，对房屋单价的综合影响程度。 1.3 利用因子分析法对估价模型进行改进因子分析（Factor Analysis）是通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个变量来表示基本的数据结构。这些观测变量能够反映原来众多的观测变量所代表的主要信息，并解释这些观测变量之间的相互依存关系。因子分析本质上就是研究如何以最

24、少的信息丢失把众多的观测变量浓缩为少数几个因子。因子分析的应用主要有两个方面：第一方面是寻求基本结构。在多元统计分析中，经常碰到观测变量很多且变量之间存在着较强的相关关系的情形，这不仅给问题的分析和描述带来了一定困难，而且在使用某些统计方法时会出现问题 何晓群，多元统计分析M，北京：中国人民大学出版社，2004：167-176。如在多元回归分析中，当自变量之间高度相关时，会出现多重共线性现象，通过因子分析我们能够找到较少的几个因子来代表数据的基本结构，反映了信息的基本特征，并通过各项指标在主因子上的因子载荷的大小，评价出指标的效度，对指标做出一定的处理。第二方面是数据化简。通过因子分析把一组观

25、测变量简化为少数几个因子后，可以进一步将原始观测量的信息转换成这些因子的因子值，然后用这些因子值代替原来的观测变量进行其他的统计分析，也可以直接利用因子值对样本进行分类和综合评价 傅德印，因子分析统计检验体系的探讨J.统计研究，2007（6）：49-51 。根据所选择的各项指标，根据样本指标值进行因子分析，得到方差极大正交旋转结果及因子荷载矩阵，将指标值转化为相互独立的因子。根据估价技术路线中市场法估价的思路，可比实例价格 ××××,其中为交易情况修正系数，为交易日期修正系数，为可比实例修正的个别因素修正系数，为可比实例修正的区域因素修正系数。进行因子分

26、析后，原公式可采用新的形式按以下的方法来进行评估估价对象的价格，建立新的因子估价模型：可比实例价格 ××× （1.1）其中代表估价对象区域因素、个别因素指标转化的第i个独立因子的因子得分，则代表可比实例区域因素、个别因素指标转化的第i个独立因子的因子得分，i=1,2,.m，m为独立因子数目。由于带入这个公式计算的均为各指标的修正系数而并非各指标的得分值，因此在公式（1.1）中的、均为各指标的修正系数的线性组合。其中：，、 分别了代表估价对象、可比实例的各原始指标值所对应的修正系数值，n为指标值的个数，代表第i个独立因子的因子得分系数，即因子得分系数矩阵（矩阵B）中

27、的第i列数据，也可以看成是各指标值的权重。则代表了估价对象、可比实例的区域因素、个别因素经过降维后的因子得分之比。通过这样的转换，将传统的市场比较法公式加以合理的改进，从而在符合估价规范及住宅房屋拆迁估价的估价原则的情况下，在得到各项指标的修正系数的基础上，进一步得到最终的住宅房屋估价值。这种估价方法既符合估价师原有的估价流程、估价习惯，又通过将估价师的专家经验用BP神经网络和因子分析方法加以总结、归纳、提高，使估价真正成为科学与经验的结合，将估价中取值的随意性及人为误差给拆迁估价带来的负面影响降到最小，保证了拆迁工作的顺利进行。2 实证分析 按照前节的流程为基础，本文以南京市主城区为研究对象

28、，进行区域因素、个别因素的测定与估价模型的建立。首先将经过专业估价师筛选的354个交易案例进行处理、录入，估价时点为2008年7月30日。其中各案例的16个指标的取值均经过严格检查，将每个样本的指标进行规范化和同趋势化处理。然后，设立BP神经网络的分析参数（图1），设置隐含层节点数为16，最后训练网络至满意程度。图1 BP神经网络的参数设置利用该系统对一级拆迁分区的154个案例拟合后对误差进行检验，发现平均偏差为0.00483，极差为0.03251，方差为0.00004，标准差为0.00643，变异系数4.54964，平均数的置信区间：95%区间：-0.00034，0.00317，99%区间：

29、-0.00092，0.00375。正态性检验结果： 表3 BP神经网络预测值误差检验项目参数U值显著水平偏度-0.75272-2.319240.02038峰度1.484322.323280.02016由以上分析可以看出，数据拟合情况好，拟合优度高。2.1 利用估价模型测定区域因素、个别因素影响值首先将a2至a16均固定在修正值为100的位置上，而单独将a1从三等调整至二等，将此时单价相应的增减值作为该因素的调整值，以次类推得到整个住宅房屋a1因素修正系数表初测值，如下表最末一行所示。修正系数的初测值即代表在其他修正因素不变的情况下，单独修改样本房屋的朝向条件对房屋单价的影响。另外，对于一些无成

30、交案例或成交案例极少的特殊情况，如针对在层次修正系数的测定中顶楼带阁楼以及底层附赠地下室等特殊情况，由于存在不同的权益状况，因此则交由估价师根据根据房屋实际状况做出判断，得出最终的修正系数取值。表4 指标a1修正系数的测定过程指标一等二等三等四等五等a110.750.50.250a2 - a16均固定不动单价模拟（元/M2）8122.478050.177941.687768.317632.1a1修正系数102.2765101.366110097.8169696.10183同样，使用以上的模拟重复交易法可得出所有指标a1、a2、a16所对应的各等级的修正系数来，记各修正系数为bi-j,其中i代表

31、指标，i=116；j代表第i个指标的第j个修正系数。将所有修正系数测定出来，并填入表格5-4至表5-10中。这些修正系数均以百分率为单位，代表同一指标的不同等级间的相对修正程度，它反映了房屋单价的修正情况。这样得到的最终结果是南京市一级拆迁分区中的各项指标修正系数表，详见附录表。由于区域因素、个别因素的各指标间并不独立，因此需要通过一定的方法对这些指标进行赋权、组合，使之转化为相互独立的新变量，才能测定出在多个因素同时变动时，对房屋单价的综合影响程度。 将所有154个原始样本的各项指标值用测定的修正系数进行替代，并对其指标值进行因子分析。因子分析结果显示，Bartlett球形检验，显著性，而且

32、,两种检验结果均表明采用因子分析是合适的。根据旋转后的因子载荷数据显示，将7个新的因子含义的解释和命名可归纳如表5所示。表5 因子的含义与解释因子解释和命名所综合的关键指标Fac_1交通与医疗商业配套a6、a7、a9、a10、a16Fac_2规划布局a3、a4、a5Fac_3自然环境a1、a2Fac_4教育设施a8、a12、a13Fac_5朝向因素a14Fac_6层次因素a15Fac_7成套因素a11基于后续分析的需要，通常需要进一步计算各公共因子的因子得分。即给出各因子在每一个研究对象上的值。各指标可以表为各公共因子的线性组；反之，各公共因子也可以表示为各指标的线性组合。得到因子得分系数矩阵

33、如表6所示。表6 因子得分系数矩阵（矩阵B）指标因子1因子2因子3因子4因子5因子6因子7a(1)0.0070.0320.4360.041-0.1420.0440.086a(2)0.029-0.2410.723-0.0140.073-0.045-0.095a(3)-0.1250.416-0.212-0.0800.100-0.080-0.095a(4)0.0040.358-0.2080.0360.009-0.0860.052a(5)-0.0990.3440.005-0.220-0.0810.0010.035a(6)0.2660.103-0.0500.064-0.096-0.093-0.275a(

34、7)0.395-0.0620.0980.260-0.4410.0460.029a(8)-0.0060.188-0.087-0.5180.0060.057-0.053a(9)0.345-0.2150.0970.0860.079-0.0800.061a(10)0.233-0.012-0.078-0.0300.156-0.0810.090a(11)-0.011-0.003-0.0440.180-0.0980.0180.913a(12)0.0220.0510.1320.346-0.2840.168-0.017a(13)0.1060.017-0.1660.5390.233-0.0800.170a(14)

35、-0.079-0.0330.039-0.0540.654-0.014-0.076a(15)-0.062-0.061-0.0110.006-0.0740.8260.040a(16)0.089-0.1130.098-0.1730.2060.404-0.0672.2 确定最终的估价模型根据表6中的因子得分系数和原始指标的标准化值可计算7个因子的各自得分。最后，还需要对提取的因子进行相关性检验，以证明提取的这7个因子之间没有相关性，是相互独立的7个因子。根据上述分析及表6因子得分系数矩阵，可以建立南京市拆迁分区中一级区位的因子的综合评价模型。例如其中的的表达式如下：+同样的方法可将拆迁分区中的二级到六级的所有修正系数及因子的综合评价模型求取出来，这样就形成了一个涵盖所有分区的修正体系。估价师在进行估价时，只需根据拆迁房屋所在分区查询修正体系中的修正系数，经过因子的综合评价模型的转换求得7个因子的得分，然后根据估价模型得出最终的估价结果来。2.3 估价模型精度的比较利用因子评价模型评估在一级拆迁分区中的样本案例进行估价模型的检验。通过这种方式对标准样本房屋进行估价，再将标准样本房屋根据公式（1.1）修正评估到原样本案例上，所得到的评估单价与原样本单价进行比较，其相对误差的数列检验结果如下：表7 实际估价结果误差检验平均偏差0.0171极差0