項(xiàng)前 劉彪

【摘要】將多目標(biāo)優(yōu)化模型引入房地產(chǎn)評(píng)估市場(chǎng)比較法中的可比案例篩選過(guò)程，首先提出了一種基于模糊數(shù)學(xué)的“強(qiáng)調(diào)關(guān)系而忽略大小”的房地產(chǎn)特征信息量化方法，再將案例篩選問(wèn)題轉(zhuǎn)換為多目標(biāo)優(yōu)化問(wèn)題，通過(guò)建立可比案例篩選模型進(jìn)行求解。針對(duì)求解方法，構(gòu)建了MAX-MIN方法用于計(jì)算房地產(chǎn)之間的貼近度，進(jìn)而根據(jù)與待估地產(chǎn)的相似程度篩選可比案例。MAX-MIN方法通過(guò)歸一化處理避免了由于量綱的不同而給計(jì)算帶來(lái)的不便，同時(shí)，引入放大系數(shù)概念，強(qiáng)化不同案例之間的差異性。最后，以深圳市房地產(chǎn)為例，應(yīng)用遺傳算法，對(duì)模型和MAX-MIN方法進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明：“模糊”的因素量化方法不影響最終結(jié)果；MAX-MIN方法能夠提高案例篩選結(jié)果質(zhì)量，提高評(píng)估結(jié)果精度。

【關(guān)鍵詞】可比案例篩選；貼近度；多目標(biāo)優(yōu)化；模糊數(shù)學(xué)；MAX-MIN方法

0 引言

在眾多房地產(chǎn)估價(jià)方法中，市場(chǎng)比較法是最重要、最常用的方法[1]。該方法的理論依據(jù)是經(jīng)濟(jì)學(xué)中的替代原理和相似性原則，即通過(guò)比較待估房地產(chǎn)與交易案例之間的相似程度，從而評(píng)估出房地產(chǎn)價(jià)格。根據(jù)市場(chǎng)比較法的基本原理，估價(jià)過(guò)程中最重要的步驟就是為待估房地產(chǎn)選擇合適的可比案例，也就是可比案例與待估房地產(chǎn)要盡量相似。對(duì)于相似性的計(jì)算，目前的研究主要集中于利用模糊數(shù)學(xué)方法通過(guò)比較房地產(chǎn)的固有屬性來(lái)判斷二者的相似程度。雖然模糊數(shù)學(xué)方法已經(jīng)被引入到相似性的計(jì)算過(guò)程，但無(wú)論是房地產(chǎn)屬性量化方法還是相似性的計(jì)算方法，還有較大的提升空間。另外，目前對(duì)可比案例選擇方法模型化的研究仍然較少，這不利于問(wèn)題的表達(dá)和求解。

鑒于此，本文基于房地產(chǎn)價(jià)值理論及估價(jià)原理，首先提出了“強(qiáng)調(diào)關(guān)系而忽略大小”的房地產(chǎn)特征因素量化方法；其次，將多目標(biāo)優(yōu)化模型引入到可比案例選擇過(guò)程，通過(guò)建立案例篩選模型和相應(yīng)的多目標(biāo)求解方法來(lái)計(jì)算房地產(chǎn)貼近度，進(jìn)而篩選出可比案例。

1 房地產(chǎn)特征因素量化

根據(jù)市場(chǎng)比較法基本理論，可比案例選擇的是與待估房地產(chǎn)相似的交易案例，更進(jìn)一步講，所謂的房地產(chǎn)相似性是指房地產(chǎn)特征因素之間的相似性。房地產(chǎn)特征因素從廣義上可分為兩大類(lèi)，一是房地產(chǎn)自身固有屬性特征[2]，二是房地產(chǎn)的空間區(qū)位特征[3]。前者主要包括面積、所在層、總層數(shù)、朝向、容積率、戶(hù)型等，這些固有屬性信息一般是便于獲取的、明確的。而后者主要包括鄰街情況、繁華程度、交通便捷性、基礎(chǔ)設(shè)施完備程度和環(huán)境質(zhì)量等。根據(jù)房地產(chǎn)特征因素表達(dá)方式，可以將其分為三類(lèi)：明確數(shù)值型、特征分類(lèi)型和模糊定級(jí)型。

明確數(shù)值型的特征因素是指可以用數(shù)字明確表示的屬性信息，例如面積、所在層、總層數(shù)、容積率等，這些特征因素的量化可以直接取其數(shù)值；特征分類(lèi)型是指房地產(chǎn)屬性可以通過(guò)文字明確描述，例如朝向（東、南、西、北），戶(hù)型（一房、兩房、三房……）等，然后通過(guò)分類(lèi)的方法為每一類(lèi)賦予一個(gè)數(shù)值，相近的類(lèi)賦予相近的數(shù)值。模糊定級(jí)型是指一般無(wú)法用數(shù)字或文字精確描述，而只能通過(guò)人工評(píng)級(jí)方式確定的特征因素，它們主要為房地產(chǎn)空間區(qū)位信息，例如繁華程度、交通便捷度、環(huán)境質(zhì)量等。這類(lèi)特征因素的描述方式一般為“好、中、差”或“一級(jí)、二級(jí)、三級(jí)”，這也相當(dāng)于對(duì)其進(jìn)行了分類(lèi)。因此，在量化時(shí)與特征分類(lèi)型特征因素一樣，只需為每個(gè)級(jí)別賦予一個(gè)數(shù)值即可。

為了便于計(jì)算，量化后的特征因素還需要進(jìn)行歸一化處理，將待估房地產(chǎn)的所有特征屬性值設(shè)置為1，交易案例的特征因素按照公式（1）所示的方法轉(zhuǎn)換成0到1之間的數(shù)值，數(shù)值越大（即與1越接近），則表示該屬性與待估房地產(chǎn)的相應(yīng)屬性越相似。

在公式（1）中， 表示第 個(gè)可比案例的第 個(gè)特征屬性值的歸一化結(jié)果， 表示第 個(gè)可比案例的第 個(gè)特征屬性值， 表示待估房地產(chǎn)的第 個(gè)特征屬性值， 和 分別表示所有可比案例和待估房地產(chǎn)中第 個(gè)屬性值的最大值和最小值，由此可知 。

2 可比案例選擇模型構(gòu)建

2.1 基于多目標(biāo)優(yōu)化的可比案例選擇模型

市場(chǎng)比較法中可比案例選擇過(guò)程是在眾多候選案例中根據(jù)多個(gè)房地產(chǎn)特征因素選擇與待估房地產(chǎn)最貼近的幾個(gè)案例，這就需要全面比較各個(gè)特征因素，而不是只有一兩個(gè)因素相似即可，這個(gè)過(guò)程與多目標(biāo)優(yōu)化問(wèn)題求解過(guò)程有諸多相似之處。另外，根據(jù)前文所述的特征因素量化方法，待估房產(chǎn)特征因素均被量化為1，而待選案例的特征因素被量化為0至1之間的數(shù)值，可比案例選擇過(guò)程就是要尋找各個(gè)因素都接近1的案例，即求取與待選案例特征因素差值最小的候選案例作為可比案例，這個(gè)過(guò)程在數(shù)學(xué)上可以通過(guò)多目標(biāo)最小化優(yōu)化模型進(jìn)行描述[4]。其中，多個(gè)特征因素對(duì)應(yīng)多個(gè)優(yōu)化目標(biāo)；求取多目標(biāo)最優(yōu)解對(duì)應(yīng)計(jì)算房地產(chǎn)貼近度，約束條件對(duì)應(yīng)候選可比案例的范圍條件，而優(yōu)化解集對(duì)應(yīng)候選可比案例集合。因此，基于多目標(biāo)優(yōu)化模型的可比案例選擇模型如下所示：

其中， 表示待估案例的第 個(gè)特征因素量化值， 表示 個(gè)候選案例的第 個(gè)特征因素量化值， 表示第 個(gè)候選案例的第 個(gè)特征因素與待估案例第 個(gè)特征因素的差值， 表示候選可比案例集合。通過(guò)可比案例選擇模型可知，當(dāng)某個(gè)候選案例的每個(gè)特征因素與待估房產(chǎn)的差值都是最小時(shí)，則其與待估房產(chǎn)最相似，貼近度就最高。而求解模型解的過(guò)程，就是選擇與待估房產(chǎn)貼近度最高的 個(gè)可比案例的過(guò)程。

2.2 MAX-MIN方法

可比案例選擇模型的本質(zhì)是最小化多目標(biāo)優(yōu)化模型，其求解核心是評(píng)價(jià)多目標(biāo)解的優(yōu)劣程度，即候選可比案例的貼近度。房地產(chǎn)是同時(shí)具有多個(gè)特征屬性的實(shí)物，只有一些特征屬性相近并不能說(shuō)明二者具有較好的相似性，而是所有屬性在整體上相近才能說(shuō)明二者具有相似性。為了準(zhǔn)確表達(dá)所有屬性的整體相似性，本文建立了可比案例篩選模型，將求解多目標(biāo)優(yōu)問(wèn)題的方法引入到房地產(chǎn)相似性的計(jì)算過(guò)程。根據(jù)多目標(biāo)優(yōu)化理論，最優(yōu)解均出自pareto解集，我們只需選擇出pareto解并按貼近度大小排序，然后挑選出貼近度較大的案例即可[5]。為了準(zhǔn)確表達(dá)和量化房地產(chǎn)之間的相似程度，本文應(yīng)用改進(jìn)的最小化多目標(biāo)優(yōu)化問(wèn)題中計(jì)算解的適應(yīng)度的方法（公式（3）所示）——MAX-MIN方法來(lái)計(jì)算房地產(chǎn)貼近度[6]。

其中， 表示候選可比案例中第 個(gè)交易案例的貼近度， 越大，則第 個(gè)交易案例越貼近待估房地產(chǎn)； 為第 個(gè)交易案例的第 個(gè)屬性值； 和 分別表示所有候選可比案例中第 個(gè)屬性值的最大值和最小值。 為放大系數(shù)， 值越大，則貼近度的區(qū)分度越高。根據(jù)公式（3），貼近度值被限制在0到正無(wú)窮的范圍內(nèi)。

3 實(shí)證分析

為驗(yàn)證可比案例選擇模型和MAX-MIN方法的有效性，本文選取深圳市部分房地產(chǎn)為例，應(yīng)用遺傳算法對(duì)多目標(biāo)優(yōu)化模型進(jìn)行求解[7]。根據(jù)前文特征屬性量化方法及MAX-MIN方法，我們從深圳市交易活躍的10個(gè)樓盤(pán)中挑選出10個(gè)待估房地產(chǎn)作為驗(yàn)證對(duì)象，它們的計(jì)算結(jié)果如表1所示。從圖1中我們可以看出，應(yīng)用本文提出的方法進(jìn)行可比案例選擇，以及以計(jì)算出的貼近度為權(quán)重加權(quán)得到的評(píng)估值比簡(jiǎn)單平均法得到的評(píng)估值更接近實(shí)際值。

表1 待估房地產(chǎn)計(jì)算結(jié)果表

序號(hào) 待估房地產(chǎn) 實(shí)際值 可比案例數(shù)量 MAX-MIN方法 簡(jiǎn)單平均方法

評(píng)估值 誤差 評(píng)估值 誤差

1 諾德花園 24559 4 25413 3.50% 27252 10.97%

2 益田村 22168 7 21731 1.97% 21101 4.81%

3 中兆花園 11168 5 11453 2.55% 11542 3.35%

4 國(guó)展苑 9304 3 9754 4.84% 10127 8.85%

5 金港華庭 14964 3 15663 4.67% 15663 4.67%

6 麗湖花園 9293 4 10323 11.08% 10403 11.94%

7 茂業(yè)城 8805 4 7816 11.23% 10190 15.73%

8 桃源村 18772 3 17517 6.69% 17517 6.69%

9 旭飛華天苑 11704 3 11092 5.23% 10962 6.34%

10 中城康橋花園 12527 4 12928 3.20% 12457 0.56%

圖1 兩種方法誤差對(duì)比圖

4 結(jié)語(yǔ)

本文針對(duì)市場(chǎng)比較法中可比案例選擇問(wèn)題，應(yīng)用多目標(biāo)優(yōu)化方法，將其轉(zhuǎn)換并建立可比案例選擇模型。該模型結(jié)合房地產(chǎn)屬性量化結(jié)果，通過(guò)MAX-MIN方法計(jì)算房地產(chǎn)之間的貼近度，進(jìn)而選擇出可比案例，并以貼近度值為權(quán)重計(jì)算待估房地產(chǎn)價(jià)格。與傳統(tǒng)方法相比，模型化不僅使問(wèn)題表達(dá)更加清晰，同時(shí)也可以應(yīng)用現(xiàn)有的多目標(biāo)優(yōu)化方法解決房地產(chǎn)評(píng)估領(lǐng)域的問(wèn)題。從最后的實(shí)驗(yàn)結(jié)果可以看出，新方法在評(píng)估結(jié)果精度上有明顯的提升。

參考文獻(xiàn)

[1] Zhou Yinkang. Appraisal of Real Estate[M]. Nanjing： Southeast University Press， 2001. （周寅康. 房地產(chǎn)估價(jià)理論、方法、實(shí)務(wù)[M]. 南京： 東南大學(xué)出版社，2001）.

[2] Hao Danlu： The study on real estate price influencing factors[D]. Jinlin：Jilin University， 2014 （郝丹璐：中國(guó)房地產(chǎn)價(jià)格影響因素研究[D]. 長(zhǎng)春：吉林大學(xué)， 2014）

[3] Zhou Liping， Li Huimin， Yang Jia. The study of housing hedonic price model based on GIS[J]. Xian University of Architecture and Technology （natural science）， 2008，27（2）：21-25 （周麗萍，李慧民，楊 嘉. 基于GIS的房地產(chǎn)特征價(jià)格模型研究[J]. 西安建筑科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2008，27（2）：21-25）

[4] Xiao Xiaowei， Xiao Di， Lin Jinguo， Xiao Yufeng. Overview on Multi-objective Optimization problem research[J]. Application Research of Computers， 2011， 28（3）： 805-809. （肖曉偉，肖迪， 林錦國(guó)，肖玉峰. 多目標(biāo)優(yōu)化問(wèn)題的研究概述[J]. 計(jì)算機(jī)應(yīng)用研究， 2011， 28（3）： 805-809.）

[5] Liu Wenqi， Yu Gaofeng， Xu Chugui. Incentive strategy feasible solution for multi-objective decision making[J]. Control and Decision， 2013，28（6）：957-960 （劉文奇，余高鋒，胥楚貴. 多目標(biāo)決策的激勵(lì)策略可行解[J]. 控制與決策， 2013，28（6）： 957-960

[6] Balling， R.J.. The maximin ?tness function； multi-objective city and regional planning[J]. In Proceedings of EMO， 2003：1-15.

[7] Sun Jing：Genetic Algorithms for Solving Multi-Objective Optimization Problems with Interval Parameters[D]. Beijing： China University of Mining & Technology， 2012 （孫靖：用于區(qū)間參數(shù)多目標(biāo)優(yōu)化問(wèn)題的遺傳算法[D]. 北京：中國(guó)礦業(yè)大學(xué)，2012.）