“互聯網+”背景下房地產估價精度修正及其應用研究

陳玲

摘要：在“互聯網+”背景下，針對大數據在房地產估價行業中的應用問題，以市場法為例，引入熵權法，對房地產價格影響因素進行科學賦權，并通過該方法來量化可比實例與估價對象的相似度，從而幫助估價師更加可靠地選取可比實例，為房地產估價行業的互聯網大數據利用提供參考。研究結果表明，大數據可以通過深入挖掘，有效分析各類房地產的價格規律，推動估價方法的改進升級，提升行業效率。但是房地產數據在搜集、處理及應用上還存在諸多難點，需要通過大數據建設、規范相關制度、建立大數據標準來進一步深化大數據在房地產估價中的運用。

關鍵詞：互聯網+;房地產估價;熵權法;市場法

中圖分類號：G449.7

文獻標志碼：A

文章編號：1006-1037（2021）03-0133-07

“互聯網+”是把互聯網的創新成果與經濟社會各領域深度融合，推動技術進步、效率提升和組織變革，提升實體經濟創新力和生產力，形成更廣泛的以互聯網大數據和創新要素為基礎的經濟社會發展新形態。“十四五”規劃強調了加快發展數字經濟，打造具有國際競爭力的數字產業集群，創造新的數字化發展生態，提出并實施大數據戰略;2021年1月國務院關于積極推進“互聯網+”行動的指導意見中提出行業應順應世界“互聯網+”發展趨勢，充分發揮中國互聯網的規模優勢和應用優勢，推動互聯網由消費領域向生產領域拓展，加速提升產業發展水平，構筑經濟社會發展新優勢和新動能。“互聯網+”已經影響到生活的方方面面，例如，交通，金融，建筑，甚至檔案，出版等行業，并帶來巨大沖擊和影響[1-3]。房地產估價作為以數據為導向的服務型行業，相較于其他行業，其對互聯網大數據的依托更為緊密，因此深化房地產估價行業與互聯網大數據的融合勢在必行，這也將對房地場市場有著積極且深遠的意義[4]。房地產價格受多方面因素的影響，同一用途的房地產，不同影響因素對價格的影響程度不同;同一影響因素，在不同區域，對同一用途房地產價格的影響程度也不盡相同;不同用途的房地產，即使某些價格影響因素相同，但這些因素對價格的影響方向和程度也不一定相同。因此要提高房地產價值評估的精度，就需要明確估價對象所在地區的各房地產價格形成的規律，目前國內外對房地產價格影響因素研究相對成熟，但主要集中在住宅房地產，且多數都停留在宏觀的角度（宏觀經濟、政策等方面），Saita等[5]研究了人口對日本和美國的房地產價格的正向影響。Gholipou等[6]研究了海外投資經合組織國家房地產行業對房地產價值的影響。蔣祥林等[7]對房地產價格與房地產供給之間的關系進行了研究。史貞[8]研究了貨幣政策對房地產價格的影響。不論國內還是國外的相關研究大多都停留在理論層面，而在實際的操作中往往受到數據的限制，而無法付諸實踐。因此需借助中國的大數據平臺優勢，為房地產價值規律、數據分析帶來新的機遇，從而提高房地產估價精度，提升行業效率，改善服務質量。

1 中國房地產估價行業大數據改革現狀

1.1 房地產估價行業發展狀況

中國的房地產估價行業起步于20世紀80年代，大多數房地產估價機構都由事業單位或者國企改制而來，因此該行業帶有濃厚的“國企”色彩，且該行業起步初期均以征收拆遷業務為主。90年代，隨著中國住房制度的改革，以及房地產商品化政策的推行，房地產估價行業迎來了第一個春天，行業開始逐漸規范，職業資格制度得到逐步完善。進入21世紀，房地產估價業務范圍得到了進一步拓展，以不動產為抵押物的金融活動越發頻繁，因此目前房地產抵押價值評估業務量尤為突出。相關數據顯示，2019年一級機構累積完成估價項目157萬個，評估總價值約24萬億元，評估總建筑面積約23億平方米，評估總土地面積約34億平方米。從業務類型看，抵押估價類業務占比仍然最高，該類業務評估價值占總評估價值的比重為55.99%，如圖1所示。

1.2 房地產估價行業大數據改革問題

從房地產估價機構業務占比分析來看，房地產抵押業務給房地產估價機構帶來了巨大的效益，然而大量的抵押業務對估價機構的估價效率、估價結果的準確性都提出了更高的要求，所以機遇與危機并存，估價機構要在這激烈的競爭中站穩腳跟，就必須進行互聯網大數據改革，通過搜集、分析、總結市場數據，從而掌握房地產市場狀況;歸納分析地區房地產價格規律從而準確判斷房地產價值，提升估價智能化水平，節約人力資源成本，提高估價作業效率。由此可見，未來擁有數據挖掘和分析能力的估價機構將會以完善的數據庫進一步密切與金融機構、法院、征收部門等單位的合作，同時也可以逐步開展咨詢類評估服務。但目前房地產估價行業的大數據建設及其在房地產估價中的有效應用仍面臨許多問題[9]。

1.2.1 房地產估價缺乏海量數據的支撐 近年來，很多機構為提高估價效率或自主研發或購買了智能評估系統，這些系統大體上是以房地產估價業務流程為軸線，以互聯網、大數據及云計算等技術為基礎建立的。根據對福建省內多家估價機構的調查發現，估價平臺功能雖然已成熟，但是平臺使用效率并不盡人意，在智能評估的環節中，多處需要估價人員人工調整和主觀賦值，出具的報告仍然需要人工調整，原因在于系統的有效運作缺乏龐大的數據支撐，以市場法為例，市場法的應用需要有大量的交易案例做支撐，才能更準確的篩選出符合一定數量和質量要求的可比實例，從而保證估價結果的合理性，然而估價機構的房地產數據的數量及質量都遠遠無法滿足業務需求。如果把估價系統比作骨骼，那么大數據則是血肉，給與平臺生機和活力，兩者俱全才能激活整個智能估價生態。

1.2.2 數據庫相對獨立，異地作業困難 目前各房地產估價機構數據庫相互獨立和封閉，各數據庫之間缺乏有效聯系。且房地產估價異地作業狀況普遍存在，異地房地產的相關數據獲取困難，使得估價師在異地作業時效率低下[10]，這在很大程度上限制了房地產估價機構業務的拓展。

1.2.3 估價師的主觀判斷影響估價結果的準確性 目前不論是傳統估價還是云估價，房地產價格的價格影響因素權重的確定都主要以估價師的主觀判斷為準，甚至有時無視各影響因素對價格影響程度差異，默認各因素權重相當，這是極不科學的;此外，收益法和成本法中的報酬率及成新率的測算缺乏科學合理的判定標準，仍然依靠估價師的主觀判斷來手動調整。在實際工作中由于評估人員的業務能力和業務經驗參差不齊，因此不同的評估人員對同一因素或同一參數的判斷各不相同，合理性也有待商榷。這一差異也導致了行業內“同宗不同價，同案不同估”的現象屢見不鮮[9]。

1.2.4 大數據缺乏法律及制度保障 目前的房地產估價相關法律法規都沒有體現對房地產大數據的闡述和認可，更談不上對房地產大數據運用的管控[6]。因此在缺乏法律和規章制度的規范下，房地產大數據的應用有可能在一定程度上破壞行業秩序。比如為占領市場，估價機構利用大數據云估價平臺的優勢來低價為客戶提供服務，形成行業的惡性競爭，其次估價師有可能通過房地產估價的開放平臺，搞“獨立估價師”，私下通過平臺承接估價業務，借用平臺的資質承攬業務等。

近年來，諸多房地產估價行業的專業人員及相關學者都針對“互聯網+”對房地產估價行業的發展前景影響進行了研究，并且都明確了行業與“互聯網+”深度融合的必要性和緊迫性，但是大部分的研究都緊緊停留在改革決策層面，而關于如何具體實施，如何挖掘大數據的潛能的相關研究較少。

本文以市場法為例，以大數據為基礎，引入熵權法，通過數據分析，確定地區房地產價格影響因素權重，從而揭示地區房地產價格的內在規律，量化可比實例與估價對象的相似度，從而，更加科學、精確地選取可比實例，提升估價結果的科學性。也為大數據在房地產估價中的使用提供參考。

2 基于熵權法的房地產價格影響因素權重分析

2.1 權重

權重是一個相對的概念，針對某一指標而言。某一指標的權重是指該指標在整體評價中的相對重要程度。在房地產價格分析中，房地產價格的高低變化，是眾多因素共同作用的結果。不同的房地產價格影響因素或其變化導致房地產價格變動的程度不盡相同，也即各種影響因素的權重不盡相同[11]。

2.2 熵權法

2.2.1 基本概念 熵權法是一種客觀賦權法，依賴于數據自身的離散性，信息論中，熵作為對不確定性指標的一種度量，根據指標變異性的大小來確定客觀權重。若某個指標的熵越小，表明指標值的變異程度越高，信息量越多，在綜合評價中的權重也就越大。相反，若某個指標的熵越大，表明指標值的變異程度越低，信息量也越少，在綜合評價中的權重也就越小[8]。

2.2.2 熵權法在房地產估價市場法中的運用 對房地產進行估價，主要考慮估價對象的用途和估價目的等因素。市場比較法、收益現值法和成本法是三大基本方法，其他估價方法一般被認為是三大基本方法的派生[9] 。其中，市場比較法就是得到區域內市場平均水平的一種方法。本文通過搜集和待估對象處于同一市場區的交易實例數據，并把交易實例和待估對象看作一個系統，運用熵權法建立估價模型。

（1） 房地產價格影響因素指標體系構建。本文以住宅房地產為例，將住宅房地產價格影響因素的指標體系分解為包含 3 個一級指標、10個二級指標和 31個三級指標的指標體系，如表1所示[12]。該指標體系以區位、實物、權益作為一級指標進行細分，二級指標是對一級指標的深化，三級指標是對二級指標的深化[12]。

區位是指該房地產與其他房地產或者事物在空間方位和距離上的關系，包括位置、交通條件、外部配套設施、周圍環境等。房地產的區位不同，價格會有很大的差異，尤其城市土地，其價格高低幾乎為區位優劣所左右。實物是指房地產中看得見、摸得著的部分，土地實物包括形狀、地形、地勢等，建筑物實物包括建筑外觀、建筑結構、設施設備等。權益是指房地產中無形的、不可觸摸的部分，是基于房地產實物而衍生出來的權利、利益和好處。對房地產利用的限制主要為房地產權利及其行使的限制、房地產使用管制、相鄰關系的限制[13]。

（2） 數據標準化。根據以上房地產價格影響因素指標體系指定的31個三級影響因素指標X1，…，X31，本文以位于福州市鼓樓區的估價對象A為例，選取10個與估價對象A區位相近，且同一地價等級的住宅交易實例（為方便演示，僅選取10個交易實例），并通過專家賦值對這些案例的各個因素，按照同一標準進行評分（1～9分），如表2所示。

假設對各指標數據標準化后的值為yij，則

其中，yij為實例i的第j項指標的實際數據;xij為實例i的第j項指標的專家評分值;min （xi）為第i個案例影響因素最低值;max （xi）為第i個案例影響因素最大值。

（3） 求各指標的信息熵。根據信息論中信息熵的定義[8]

其中，Ej為第j個指標的熵值;Pij為第j指標下，第i個案例的指標值的比重

（4）確定各房地產價格影響指標權重。根據式（2），計算出各個價格影響指標的信息熵為Ej，價格影響指標的權重[14]

其中，Wj為第j指標的權重。

從中選取與估價對象最為相近的作為市場法的可比實例。將表2中的數據導入SPSSAU系統進行分析，結果見表3。

由于所提取的樣本均為同一區域，基礎設施狀況和公共服務設施狀況相當，因此利用熵權法核算出指標效用值較低，權重較小，通過演示可以明確該方法在判斷房地產價格影響因素權重判斷上是有效的。隨著樣本數據的增加，權重測算則更加準確。

（5）選取可比實例。根據計算出的各價格影響指標的權重，對交易實例進行評分。設Zj為第j個交易實例的最終得分，則

得到結果如表4所示。

由于估價對象得評分值為7.04，那么選擇與估價對象最接近得三個交易實例作為可比實例，分別是實例3、實例5和實例8。

3 房地產估價行業大數據發展對策與建議

以大數據為背景，結合熵權法量化交易實例中各價格影響因素權重，通過量化的數據更加科學客觀的判斷交易實例與估價對象的相似度，從中選取最相近的三個交易實例作為可比實例，使得估價結果更加可靠。然而大數據在房地產估價中的運用絕不僅于此，與“互聯網+”深度融合，開發房地產云估價平臺、拓展在線詢價業務等也正在行業中普及。

3.1 積極推進房地產云估價相關的制度規范建設

法律制度和規范標準建設是房地產云估價行業良性發展的土壤。因此行業應從實際出發，積極探索房地產云估價的制度規范建設。首先在肯定云估價發展前景的同時，也要積極尋求其于傳統估價方式的和諧共處，傳統估價方式有著人工智能無法取代的優勢，因此期望云股價一進入市場就馬上取代傳統估價是不現實的，也是不可取的。其次，在行業內部需要加強宣傳和研討，不斷深化認識，加強云估價培訓工作，為云估價的順利實施打好基礎[15]。最后，政府管理部門及行業協會要積極做好頂層設計工作，統籌規劃云估價的使用規范及相關規章制度，規范行業云估價行為。

3.2 積極開展房地產大數據建設工作

房地產大數據是云估價得以順利實施的關鍵，是智能估價的靈魂，因此房地產數據庫的建設勢在必行，數據搜集主要有三條途徑;（1）通過房天下、麥田、搜房網等房地產門戶網站上的掛牌價查詢、交易登記等功能，搜集海量房地產數據，通過數據篩選、整理等工作將數據運用于房地產云估價中，但是該方法所搜集的數據缺乏完整性，需要通過人工加以確認及補充;（2）與大數據企業合作，實現合作共贏，通過智能化的外部采集模塊，將對方平臺的房地產估價大數據通過有選擇性地采集、優化等技術處理后形成房地產云估價系統的基礎數據;（3）為保證數據的完整性和可靠性，估價機構可以自行設計完整的數據搜集系統，規范數據內容，規范格式標準，規范數據搜集方法及來源。加大資源投入，廣泛搜集和整理數據由此一來，隨著時間的推移，當數據庫已經形成了海量可靠數據的時候，平臺內部數據就會形成良性的內循環，并且能夠更有效的被應用[16]。

3.3 亟待確立大數據標準

首先為確保數據的安全性、和有效性，行業主管部門應主動牽頭聯合行業領頭企業來統一和規范房地產估價信息化數據的采集、規整和應用的標準，該數據標準應該滲透房地產估價行業的各個作業環節，形成統一的行業大數據語言，為房地產估價行業數據共享奠定基礎，此外通過制定數據管理規范，規范云估價業務作業流程，保障估價結果的科學有效性[17]。其次行業主管部門應積極引導企業進行數據化改革，指導房地產估價行業進行信息系統數據庫建設，提升房地產數據應用的覆蓋面。同時房地產企業可以同其他與房地產相關的數據需求方（政府、金融機構等）進行對接，基于數據對象的界定及分類，根據不同數據需求方的要求進行個性化數據定制，并進一步對數據使用標準進行細化[18]。

4 結論

互聯網大數據時代的到來，為房地產估價行業帶來了寶貴的發展機會，在可預見的未來，擁有大數據搜集和分析能力的估價公司將會更具備競爭優勢，從估價流程來看，因大數據的支持，降低估價作業強度，實現勘察信息化，估價業務網絡化，估價作業自動化。從業務能力來看，通過大數據的分析能力，機構能夠有效強化其房地產價格規律的掌握，提升估價業務的社會認可度，并以此平臺進一步加強與司法機關、征收部門、銀行等金融機構的合作，同時能夠進一步拓展咨詢類評估業務，為企業贏得更廣闊的發展空間。因此，行業在明確大數據改革必要性的同時，更要深入思考，如何深入挖掘大數據潛能，使其能夠更有效地服務于行業，服務于社會。

參考文獻

[1]沈珊珊，張瑩.互聯網金融發展對我國商業銀行流動性風險的影響[J].經營與管理，2019（8）：18-22.

[2]馬宏正.檔案管理應用移動互聯網研究綜述[J].山西檔案，2017（6）：54-56.

[3]賀斌，秦福強.傳統媒體和新媒體深度融合的困境與對策[J].學報編輯論叢，2019：340-343.

[4]胡警衛. 房地產云估價存在的問題與對策[C]//中國房地產估價師與房地產經紀人學會，2016.

[5]SAITA Y， SHIMIZU C， WATANABE T. Aging and real estate 29 prices： Evidence from Japanese and US regional data[J]. International Journal of Housing Markets and Analysis. 2016， 9（1）： 66-87.

[6]GHOLIPOUR H F， AL-MULALI U， MOHAMMED A H. Foreign investments in real estate， economic growth and property prices： Evidence from OECD countries[J]. Journal of Economic Policy Reform， 2014， 17（1）：33-45.

[7]蔣祥林.供求決定的商品住宅價格——基于中國 35個中心城市的實證研究[C]//第十一屆中國軟科學學術年會論文集（下）， 2015 ： 349-366.

[8]史貞.供給側改革下貨幣政策對房地產價格的效應研究[J].蘭州學刊，2016（11）：193-198.

[9]鄭曉俐.大數據時代對房地產估價行業的影響及對策分析——以杭州市為例[J].住宅與房地產，2016（30）：1-2.

[10] 劉偉華，阮文浩.房地產估價行業存在的主要問題及對策[J].住宅與房地產，2017（17）：15+48.

[11] 潘月，蘇義坤.二線城市房地產價格動態因素分析——以長春市為例[J].經濟師，2016（1）：61-63+65.

[12] 呂萍.我國房地產市場供求關系及房地產對經濟的影響[J].調研世界，2016（4）：8-13.

[13] 趙鵬. 房地產價格的影響因素分析[D]. 武漢：華中師范大學. 2015.

[14] 馬靖忠.基于熵權系數法的房地產市場比較估價模型研究[J].企業經濟，2011，30（6）：112-114.

[15] 劉虹.房地產云評估市場分析研究[J].住宅與房地產，2019（21）：8.

[16] 鄒士年.2018年我國房地產市場分析與2019年展望[J].發展研究，2019（1）：59-63.

[17] 侯長江，趙息.我國房地產稅對房價的影響研究[J].青島大學學報（自然科學版），2014，27（1）：106-112.

[18] 劉枬，劉小娟.房地產大數據的研究現狀和趨勢分析[J].建筑經濟，2015，36（6）：71-73.