房屋评价模型及实施方案

房产评估模型及实施方案一、概述我们对房产价格的评估主要从两类因素考虑，一方面是基于楼盘的静态属性，即特征变量评估，包括区位交通、建筑特性、配套设施、周边环境、管理水平等。另一方面是市场因素，受经济发展趋势，所在地的活力，供需关系等因素的影响。特征变评估市场因素评估评估价格邻里特征经济趋势所在地活力供需关系建筑特征区位特征特征变评估市场因素评估评估价格邻里特征经济趋势所在地活力供需关系建筑特征区位特征二、特征变量选择一般来说，房产的特征可以概括为区位特征、建筑特征以及邻里特征三大类，但对于不同类型房产，对这些特征作进一步细化时，由于用途不一样，考虑的特征变量有所不同，如店铺和住宅房产，对区位的要求就会有所不同。我们先进行基础数据的采集，然后分别对这三类特征变量进行分析建模。2.1住宅区位特征变量选取丁攵、14万的方3公交I燔可『：ny：十三包矶四三兰2.1住宅区位特征变量选取丁攵、14万的方3公交I燔可『：ny：十三包矶四三兰指场瓯摩二关道启区位特性#医块位直口干小二：4’：置匚BC真品匚位比京甬某件区位特征可以从整个城市范围的角度进行衡量，往往是对可达性进行量化和评价，按照传统的区位观点，可达性是通过测量某房产到CBD的距离来进行量化的。同时，良好的公共交通服务和周边基础设施环境对住宅价格有正的影响，因此，本模型将区位特征变量确定为区块位置、周边公共交通状况和区位基础设施的配套。要完成区块特征的量化分析，需要进行以下数据准备工作1）区块位置的特征参数采集区块划分＞任务：将目标城市（成都）按所处在城市的方位、所处环线位置划分成若干区块并在地图上进行标注，每个区块要有代表性楼盘，代表性楼盘交易价格的变化要能体现该区块房产交易价格的变化趋势；＞执行方式：将目标城市（成都）按公立小学学区边界进行区块划分，采用地图工具画出区块并进行存储；＞执行团队：风控团队：学区划分信息采集、公立小学排名信息采集；IT团队：提供区位划分地图工具，区块建库；风控团队+IT团队：使用地图工具进行区位划分，标注出区位的中心位置。CBD选定及影响力评估＞任务：确定目标城市有影响力的CBD并在地图上进行标注，选定的CBD要求具有较大的影响力，并对其影响力进行评估；＞执行方式：人工选取并评估＞执行团队：待定2）交通条件特征参数确定公交及地铁站参数采集＞任务：采集并统计区块内的公交站、地铁站的数量；＞执行方式：调用百度地图API查询统计；＞执行团队：IT团队。主要道路参数采集＞任务：选取主要道路，并评估区块道路状况；＞执行方式：人工选取并评估；＞执行团队：待定3）区位配套参数采集

任务：采集并统计区块内的学校、商场、公园、医疗机构、金融机构的数量;执行方式：调用百度地图API查询统计;执行团队：IT团队。住宅建筑特征变量选取建筑特征是指由于房产本身条件状况的变化而对价格有影响的因素。影响因素可能包括:房间总数、卧室数目、浴室数目、建筑面积、建筑年龄、宗地大小、外部结构、服务设施的实用性以及有无车位等。建筑特征变量的采集上主亘“效•1位阻土丁二百;力面中w吱年书拈3Q茎.三审实用性以及有无车位等。建筑特征变量的采集上主亘“效•1位阻土丁二百;力面中w吱年书拈3Q茎.三审建筑特性♦^=H--■口弟设摊-草•，函件口理 ।n工+虹住宅特征变量会具体到每一个楼盘的的详细信息，除小区的基本信息外，还会涉及到采集小区内每个楼栋、户型的基础数据，工作量很大，如采用人工扫描的方式，难以在较短的时间内形成可用数据；而且随着开展业务城市的增加，该部分工作量会急剧上升。因此，比较快的方法是采购基础数据，然后在此基础上进行人工扫描的维护工作。据了解，成都地税局曾进行过基础数据的采集工作，房管局也做过类似的事情，相信在其他城市的税务局和房管局也会做同样的工作，因此希望能找到合适的渠道进行该部分数据的采购。如采购数据方案不可行，对建筑特征变量的采集建议放到区位模型之后进行，先采集小区开发商、建筑年龄、容积率等反映楼盘整体属性的基本特征，建立模型用于评估楼盘基础价格，在过程中逐渐细化户型等信息，使评估精确到户。住宅邻里特征变量选择住宅的邻里特征变量是指住宅的小区环境及周边环境，小区周边的配套设施像交通、生活配套等对房地产价格都会产生影响；良好的物业管理对房产价格也有显著的影响；同样，消费者更喜欢具有良好景观效果的住宅，如果建造的地点是在湖边、自然风景秀丽的地方等，良好景观的存在对住宅价格会产生正的影响。•…•…邻里特征变量的采集1）物业状态和小区环境的采集物业状态和小区环境可在建筑特征变量采集的时候同步进行，作为描述楼盘整体属性的特征参数的一部分，同样，如果该部分数据能通过采购渠道获取，则可节省大量的人力成本和时间成本。2）周边配套的采集该部分参数可采用百度地图API进行采集和维护，可由IT团队执行。三、市场因数选取影响房产价格的市场因素包括经济趋势、所在地活力、供需关系等，但最终都会反映到交易价格和成交量的的变化上，因此，这两项数据应该作为体现区块、楼盘市场因素的主要特征。交易价格和成交量的获取可从网络渠道和真实交易渠道获取。3.1网络渠道网络渠道获取到的价格虽然有失真之处，但其价格仍能反映各区块的价格关系和房价变化趋势，目前我们已采用了爬虫系统爬取搜房、链家、安居客的房产交易数据，并定期更新。网络数据采集后，可与我们掌握的交易数据进行对比分析，对网络数据进行修正，然后采用修正后的数据进行区位、楼盘价格评估建模工作。

以下是我们采用买卖宝交易数据对搜房、链家、安居客数据进行的简单线性回归分析，从分析结果来看，链家的数据优于搜房数据，搜房数据优于安居客数据。安居客 链家 搜房3.2真实交易数据真实交易数据可从我们的系统和中介渠道获取，有赖于我们的交易规模和合作中介的配合程度，在真实交易数据样本较少的情况下，可作为修正模型的基准数据使用。四、建模方法房产评估建模模型计划采用下图中描述的方法建立，为建立相对准确的模型，必须采用机器学习的方法。传统的统计模型对数据有较严格的要求，必须满足一定的假定条件，且模型也以明确的形式表现出来。而机器学习方法抛弃了先作假设再估计参数的建模方式，完全从数据本身出发，探索内在的数量规律性，比较适合我们目前的情况。近年来，国内外都有研究机构将神经网络、随机森林、支持向量机等新技术运用到房地产价格评估，现有研究表明，从数据本身出发的算法模型有很好的预测效果。从目前查阅的文献来看，神经网络和随机森林方法是我们在构造楼盘价格与各项变量间的一般关系模型中要重点考虑的算法。

特征变量评估房产评估算法