《学区房评估方法分析综述》2700字

学区房评估方法分析综述目录TOC\o"1-2"\h\u1050（一）学区房相关理论 15391.学区房的概念 1100482.学区房的形成因素 123947（二）传统评估方法的弊端 2327441.市场法的弊端 2260512.收益法的弊端 2141563.成本法的弊端 315251（三）随机森林理论 3321421.随机森林算法流程 3269472.决策树的建立 495453.特征变量的重要性排序 545404.随机森林模型的优点 5学区房相关理论学区房的概念学区房指的是有着高质量教育资源的住宅房地产[9]，是根据当地教育部门有关规定的，依据划片入学原则，将各学校招生范围进行限制，在被限制的区域内的学生可以免去入学考试这一环节直接试进入规定的学校就读并且享受为期九年的义务教育。这样区域内的房产便是我们所说的“学区房”。本文以南平市延平区重点小学划片住宅为本次实证研究的研究对象。学区房的形成因素1962年教育部出台规定，各地选定一批重点中小学，加强师资教育和教育资金的投入。因这一历史原因使得重点学校教育资源长期处于优势地位，从而引起了重点学校片区内房产价格居高不下。学区房拥有重点学校的入学名额，能够给予孩子更为优越的教育环境；因为学区房具有“教育”的特殊属性，在孩子毕业后，可以将学区房在二手房市场上出售，因货币的贬值以及近几年家长对孩子的教育越来越重视，出售价格往往会接近甚至高于当初的购买价格。（二）传统评估方法的弊端传统评估方法中，市场法是指基于替代理论，通过近期房地产市场成交的类似案例，并调整选取的各个交易案例的系数（楼幢位置、朝向、居住聚集度、房屋新旧程度、小区规模、小区档次等），以求出被评估房地产的价值的一种方法。收益法是指通过收集房地产相关数据（房屋建成年限、房屋已使用年限、土地标准使用年限、土地剩余使用年限、房屋月租金等）、选取测试参数（转售费率、未来价格上涨率、投资风险补偿率等）从而求取被评估住宅房地产价格的一种方法。成本法则是指通过估算被评估房地产的重置成本，计算被评估房地产的各项贬值，并将其从重置成本中扣除而得到被评估住宅房地产价格的一种方法。虽然当前传统的评估方法一直在进行着不断完善，但对于学区房的估价来说，仍然存在诸多弊端。市场法的弊端房地产价格影响因素判定主要来源于评估人员的经验判断，自主性较强，难以体现估价结果的客观性。（2）市场法通常是指在一般情况下，将过去成交的市场实际案例与被评估房地产价格进行对比分析，但由于价值时点之前的交易案例仅代表过去时点的市场价格。而随时间的改变与政策导向的变化，房地产的价格也较易产生重大差异。收益法的弊端不同类型的收益性房地产的获利方式有所差别，房价涨跌会影响收益。（2）在实际评估作业中，多以估价师的主观印象进行报酬率的确定，并没有标准的报酬率的确定方法。成本法的弊端（1）房地产估价市场的平衡性作为成本法使用的前提，大大增加了成本法在实际应用中的局限性。许多时候住宅房地产估价市场变化较快，房地产的成本与其价值由供求关系而决定，此时若使用成本法进行住宅房地产价格的评估，易造成成本法的准确性大大降低。（2）成本法仅仅只考虑到有形价值对住宅房地产价格的影响，而却忽略了无形价值对房地产价格的影响。例如一些地区靠近景区的房产景观资源较为丰富，靠近地铁、公交站点的房产交通资源比较丰富，划片学区的房产教育资源较为丰富等，这些无形价值对价格的影响都可能比较巨大。因此忽略无形价值对房产价格的影响，从而增加误差率。（三）随机森林理论随机森林（RF）理论是BreimanL[10]在本世纪初提出的，它是一种采用多棵决策树运算的一种分类器，能够通过对样本集的训练进行回归以及分类。方匡南等[11]阐述了和随机森林相关的理论、性质以及应用，带动了国内学者对于随机森林模型理论、方法研究的一波新的浪潮。有关随机森林模型的长处在一些文献中已经有所体现：BiauG[12]觉得随机森林模型具有平稳性且适用于计算少量数据集的特点，同时它的收敛速率只是由强特征数来决定而非由噪声变量数来决定。BiauG等[13]总结概括了随机森林的理论以及方法。1.随机森林算法流程（1）采用bootstrap方法，在已经收集的50个样本数据中，按照样本集：测试集=9：1的比例随机的抽取45个样本构成样本集，再所得到的样本集构建出决策树，每次抽样剩下的样本成为测试集，作为随机森林模型的测试样本。（2）根据参考的文献以及收集的资料，假设所收集的因素特征有有学校属性、小学就读名额、室、厅、卫、朝向、装修情况、建筑面积、所在楼层、距小学最短步行距离、商业指数、交通指数、医疗指数、建成年代、绿化率、总楼层、学区房挂牌价格、建筑结构这17种变量特征，对每棵树的每个结点处都随机抽取mtry个变量，mtry为节点值所对应的最小节点数，把mtry=2作为备选的变量，依靠分支优度的准则从中选取最优的分支。（3）每棵回归树按照自上而下的轮回方式对齐进行分裂，设房地产的属性和特征可能出现的行为结果最少个数为2,并将其作为回归树停止分裂的规定。（4）重复上述步骤，直至模型建立完成。（5）最后，将测试集的17个变量特征属性输入至已经构造的随机森林模型当中，便可以得到学区房的估价结果。本文将以以上述思路为基础并借助Python，搭建并计算随机森林模型。过程如下图所示：图3-1随机森林建模过程2.决策树的建立决策树是指在已经知道的各类可能发生的情况的概率基础之上，通过构造决策树用以求出净现值中的期望值大于或者等于零的概率的一种方法。完整的决策树包含着一个根节点，诸多的内节点以及诸多的叶节点；其中，根节点是唯一的、起始的节点。内部节点表示房地产的属性和特征的集合。即：小学就读名额、室、厅、卫、朝向、装修情况、学校属性、建筑面积、所在楼层、距小学最短步行距离、商业指数、交通指数、医疗指数、建成年代、绿化率、总楼层、学区房挂牌价格、建筑结构，这17种变量特征的集合；叶节点则对应每一个可能会出现的行为结果。3.特征变量的重要性排序随机森林模型中对样本数据重要性的排列方法主要有袋外数据（OOB）和基尼系数（Gini）两种方法，本文采用基尼系数（Gini）对采集到的样本中的17种特征变量因素的集合中，随机性的抽取一个子项，计算其被错分到其他组和之中的概率，这个概率，便称为基尼不纯度，基尼不纯度与变量特征之间呈反向关系。具体公式如下：（3-1）其中，Px为某特征变量发生的概率；y为总的特征变量数，即y=17；Gini（p）为基尼不纯度。随机森林模型的优点（1）随着信息技术的发展，机器学习被不断推广，随机森林在个行业的应用中也愈发广泛。随机森林不仅可以对预测离散值同时也还可以预测连续值。在数据处