批量评估相关问题.docx
《批量评估相关问题.docx》由会员分享,可在线阅读,更多相关《批量评估相关问题.docx(20页珍藏版)》请在冰豆网上搜索。
![批量评估相关问题.docx](https://file1.bdocx.com/fileroot1/2023-5/17/9279d2ee-32b2-4aa5-b77d-ccd2baaf06c7/9279d2ee-32b2-4aa5-b77d-ccd2baaf06c71.gif)
批量评估相关问题
基础技术研发部工作方案
一、国际相关规范准则介绍
1.《批量评估准则》(StandardonMassAppraisal)
国际财产征税评估人员联合会(InternationalAsso-ciationofAssessingOfficers,简称IAAO,下同)于2002制定的《批量评估准则》,其批量评估的定义为,批量评估是指在给定时间,使用标准方法,采用共同的数据,并考虑统计检验的对一系列房地产进行评估的过程。
国际评估准则IVSC(2005)定义为“应用系统的、统一的、考虑到统计检验结果和结果分析的评估方法和技术评估多项财产确定日期价值的活动。
”
以及USPAP(2006)中对批量评估也有类似的表述。
批量评估一个重要的特性在于它将大量的计量、统计检验等数学工具纳入评估过程。
在应用计量工具(特别是多元回归)的时候,批量评估方法认为所要评估的不动产(财产)的价值受到众多的因素的影响,这些因素包括房屋的面积、朝向、建筑结构等不一而足,而通过对已有房屋特征数据及价值数据的分析,可以计算出每一个特征对房屋价值的贡献程度(对应于批量评估计量模型中的各个变量的系数值)。
在得到计量模型中的各个变量的系数之后,就可以将需要评估的不动产的各个特征输入模型中,从而在一次评估中对多个不动产的价值进行评估。
2.《自动评估模型规范》(StandardonAutomatedVluationModels)
IAAO在2003年颁布的《自动评估模型规范》对自动评估模型定义为:
自动评估模型是一个建立在数学基础之上的计算机程序,它可以基于对事先已分别收集的有关位置、市场条件、以及不动产的特征等信息进行的市场分析并得到一个市场价值的估计值。
二、相关名词解释
(一)单宗财产评估(SingleAppraisal)
单宗财产评估,是指“在同一时间评估一个财产”(IAAO,MassAppraisalofRealProperty,2005),即在一次评估中对一个(或一个单位的)应税财产的税基价值进行评估
确定,在一次评估中,其评估对象是单一的这一点上,它与一般资产评估实践是相同的,其评估方法也主要依据市场途径、成本途径以及收益途径这三种资产评估的基本方法。
而批量评估与单宗财产评估的最根本区别在于:
其一次评估的对象是一批或一组不动产。
正是这样一个根本性的差异,导致批量评估与单宗财产评估在评估指导思想、具体方法、手段、步骤、程序等方面存在较为显著的区别。
目前,从各国的不动产税基评估实践来看,批量评估已经成为主流,只有在受到各种因素影响(例如,评估区域中的财产类型差异过大等),导致批量评估效果不佳的时候,才会采取单宗财产评估。
(二)计算机辅助的批量评估(Computer-AssistedMassAppraisal,简称CAMA)
在批量评估中,根据其是否有计算机辅助可以分为手工批量评估和计算机辅助的批量评估。
随着科学技术的进步以及计算机应用的普及,可以说目前在运作的税基批量评估系统均为CAMA系统。
批量评估技术随着近年来计算机技术的飞速进步而得到了迅猛的发展,并且在实践中逐步与地理信息系统(GIS),人工神经网络(ArtificialNeutralNetwork)等技术相结合,显示出与其他学科和技术相融合的趋势。
尤其是GIS已经在批量评估中得到了广泛的应用,并且取得了良好的效果,大大节约了税基评估成本,提升了批量评估系统的效率。
可以说,GIS与CAMA系统的融合已经成为不可阻挡的趋势。
就技术本质而言,用于CAMA系统中的AVM与用于私人部门的AVM从其创建原理、技术方法、创建过程等来说都是大体相同的,只是在日常的惯例中,通常用CAMA来表示税基评估中的计算机化的评量评估系统,而用AAAVM来指代在各私人部门中所使用的自动化的批量评估实践。
(三)自动评估模型AVM(AutomatedValuationModel)
AVM(自动评估模型)产生于上世纪七十年代,是批量评估方法体系的关键技术,它将批量评估的各个步骤整合到一个计算机评估程序中去,建立一个自动评估模型(AVM),实际上一个程序化的批量评估过程,是批量评估程序的自动化。
AVM的一个与众不同的特征在于它是通过数据建模而获得市场价值的估计值。
AVM可以应用于动产、不动产甚至是无形资产的价值评估。
目前,应用AVM最多的还是不动产评估领域,其中住宅是最早应用AVM的财产类型。
AVM技术本质就是批量评估的原理与技术,包括各种数理统计方法(如多元回归、概率统计等)、评估的三大基本方法、各种批量评估的技术与方法(如AEP等)等在AVM中都有具体的体现。
AVM可以用于私人部门,也可以用于公共部门。
在用于税基评估的时候,通常将AVM嵌入到CAMA系统中,用于不动产的税基评估。
而在用于私人部门的时候,例如用于银行、房地产经纪等机构的时候,AVM可以嵌入到各种不同的系统中,为实现各种不同的目的而服务。
就技术本质而言,用于CAMA系统中的AVM与用于私人部门的AVM从其创建原理、技术方法、创建过程等来说都是大体相同的,只是在日常的惯例中,通常用CAMA来表示税基评估中的计算机化的评量评估系统,而用AVM来指代在各私人部门中所使用的自动化的批量评估实践。
(四)AVM报告
在AVM应用前,评估师还必须利用测试样本对校准后的模型进行效果检验。
最后,评估师必须提供论证报告、使用报告与CAMA/AAAVM报告等三种不同类型的AVM报告。
CAMA报告和AAAVM报告是批量评估结果的报告类型,CAMA报告主要用于公共领域的财产类税基批量评估目的,而AAAVM报告用于私人领域的各种商业性活动。
(五)地理信息系统GIS(GeographicInforma-tionSystem)
《国际GIS字典》中的定义,“GIS是采集,管理,整合,处理,分析以及显示有关地球空间信息数据的计算机系统”
IAAO的《批量评估准则》中对地理信息系统(GIS)的定义为:
(1)用于存储,检索,控制和显示空间信息的数据库管理系统。
(2)一种计算机化的地图系统,能够将不同层次的基础地图的空间数据(土地信息)和特征数据综合起来
2005年IVSC的《批量评估准则》中在4.0数据收集和系统记录中的4.1中提到“数据记录方式已经从手工的数据记录演变为方便CAMA的复杂的数据库,并且通常包括GIS”。
评估师可以借助地理信息系统GIS来获取各种与评估相关的资料。
在不动产从价税的税基评估中,还可以使用GIS来检验数据。
GIS能使正常样本与异常样本将通过不同的颜色在计算机屏幕中得到显示,从而使评估师轻松找到那些不合理的数据。
(六)时间趋势分析
时间趋势分析是在有关财产特征变量信息较难获得的情况下所采用的预测技术。
IAAO于2003界定了四种AVM时间趋势分析工具,即单位价值分析、重复销售分析、销售价格/评估价值趋势分析以及在销售比较模型中加入时间变量等四种。
时间趋势分析根据以往的财产评估价值或财产的销售价格推算财产评估基准日的评估价值。
而单位价值分析是跟踪每单位价格的变化,销售价格/评估价值趋势分析是跟踪同一日期销售价格与评估价值的变动。
这两种方法都能通过图形体现价值变动趋势。
重复销售分析是将销售价格间的差异转化为月变动率,并从中计算平均(中位)变动率,这种方法的可靠性依赖于销售的样本多少。
而在销售比较模型中加入时间变量的方式可以认为是对多元回归分析的一个转化。
这一方式被认为是有着较高精确度的时间趋势分析法。
从统计学原理上看,前三种时间趋势分析工具是获取一个关于价值随时间变动的指数,而第四种分析工具则是假定价值存在某种运动趋势,并通过时间变量来反映这种趋势。
运用时间趋势分析估计财产价值,必须注意到随着推算日期的拉长,预测的精确度将会降低。
(七)适应估计技术(AEP或称为“反馈”)
适应性估计又称为回馈技术,自20世纪80年代开始被应用于不动产评估,是AVM中的一种校准程序,它可以根据新的评估结果、新的数据等,对模型进行自动化的估计与校准,这一过程贯通整个批量评估。
其实现方式是不断利用新的销售信息来调整不动产的价值。
适应估计技术是将初始模型得出的价值与销售价格进行不断对比,直到得出AVM中最小误差的系数为止。
适应估计技术依赖评估师对模型中能衡量当地市场环境的特征变量的设定能力。
目前,通常利用适应估计技术来处理混合模型。
(八)人工神经网络技术(ArtificialNeuralNetwork,简称ANN)
20世纪90年代以来,人工神经网络技术开始被应用于AVM。
由于神经网络具有超强的适应能力和学习能力,评估师可在采用直接市场法模型时,利用财产特征变量组成的人工神经网络能提供更加准确、快速的评估服务。
人工神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统,是理论化的人脑神经网络的数学模型。
实际上,它是由大量简单元件相互连接而成的复杂网络,具有高度的非线性,能够进行复杂的逻辑操作和非线性关系实现。
。
由于房地产的区域因素及个别因素对房地产的影响具有一定的整体性,即使是经验丰富的估价人员也很难判断哪个因素更重要,要确定其重要性(即权重)的大小更是困难。
而神经网络的大规模并行、分布式存储和处理、自组织、自适应和自学习能力,使它能够适用于处理需要同时考虑多因素和条件、不精确和模糊的信息处理问题。
显然,估价人员的经验越丰富,其对数据、资料处理的能力就越强,评估结果就越准确。
这种专家大脑的思维方法与神经网络工程的研究正好吻合。
根据市场比较法神经网络理论的特点,将人工神经网络应用于市场比较法中并结合两者的优势,将会产生较好的应用前景。
(九)B—P神经网络
BP网络是反向传播(BackPropagation)。
它是一种具有教师信号的多层前向网络,在多层神经网络模型的基础上提出了多层神经网络模型的反向传播学习算法,采用最小均方差学习方式,这是一种最广泛应用的网络。
它含有输入层、输出层以及处于输入输出层之间的中间层。
中间层有单层或多层,由于它们和外界没有直接的联系,故也称为隐层。
在隐层中的神经元也称隐层单元。
隐层虽然和外界不连接,但是,它们的状态却影响输入输出之间的关系。
应用神经网络方法进行房地产估价,可改善传统评估方法的随意性和不确定性,避免估价过程掺杂过多的人为因素,减少主观臆断。
该技术方法也存在一定的缺陷,对于其估价特点总结如下:
1)神经网络应用于房地产估价,其适用范围很广。
对于某类房地产,只要能够在市场上找到该类型一定数量的成交案例,就可以使用此方法。
2)采用该方法进行房地产估价是通过对样本案例的学习,寻找房地产价格与其影响因素之间存在的客观规律。
可以肯定的是,这种规律是非线性的,所以采用该方法进行估价,可以不用事先假设它们之间服从某种数学关系,一定程度上增强了估价客观性。
在采用该方法进行估价时,需要在分析相关影响因素的基础上构建相应类型的价格评估指标体系,并对这些指标按提供的量化标准进行量化,将房地产的实际状况转化为一系列量化指标。
3)训练样本的选择、网络拓扑结构的设计以及网络参数的设定对应用神经网络方法进行房地产估价有非常重要的作用,而当某种类型房地产估价的神经网络模型一旦训练成功,就可以对大批量的类似房地产进行快速、准确地估价。
(十)愿望模型(HedonicModel)
是利用财产特征变量与财产市场价值间存在的因果关系而建立的模型。
按模型结构中所采用数学方程的不同划分,AVM大致可以分为两大类:
一类为Hedoni模型,另一类模型仅包括时间因素,通常是在财产特征信息不足的情况下,通过跟踪特定时间段内财产价值的变动规律,根据目标财产的过去价值或销售价格外推算其评估基准日的价值
Hedoni模型又可以按照其采用变量的组合形式划分为,加成模型(AdditiveModel)、乘数模型(MultiplicativeModel)与混合模型(HybridModel)。
加成模型就是统计学上的线性回归方程,乘数模型和混合模型属于非线性方程,其形式如下:
其中:
MV表示目标财产的市场价值,Xi表示自变量,Ai为自变量的系数,i=0,1,2,…n
三、AVM技术的主要步骤
先看批量评估的主要步骤。
USPAP《准则6——批量评估》(Standard6-MassAppraisal,2006)中规定批量评估应包括如下七个步骤1、确认要评估的财产;2、根据适用于财产的一贯行为定义市场区域;3、确认影响价值形成的特征;4、建立模型;5、校准模型;6、将模型中所反映出来的结论应用于被评估财产的特征中;7、检查批量评估结果。
IVSC(2006)中对批量评估步骤的表述也基本上大同小异。
IAAO的《自动评估模型准则》认为创建与应用AVM的步骤包括如下:
A、确认不动产:
确认AVM模型所要评估的不动产的各种情况,例如类型、用途等。
B、假设:
确定创建AVM的各种假设,例如不动产的最高最有效使用等。
C、数据管理与质量分析。
D、模型描述。
E、模型校准。
F、模型检验与质量保证。
G、模型应用与检查评估值。
H、分层次:
将不动产按照不同的类型进行划分,用于建模与分析。
这一步骤中通常还包括划分市场区域。
I、对AVM所得的评估值进行辩护。
对照批量评估的各个步骤,我们可以清楚地看出AVM是自动化的批量评估程序这一本质特性。
AVM需要一个包含大量数据信息的数据库(数据的类型根据AVM的应用目的、所采用的方法等有密切的联系。
核心步骤如下:
(一)确定不动产样本的经济域[EconomicAear,也称为市场域(MarketAear)]
所谓经济域是指具有相似特征财产所构成的群体。
在不动产从价税税基评估中,这一步骤称为分层(Stratification),分层包括功能区分和区域区分。
1、功能区分
建议将所有物业分为住宅、商业用房和工业用房三大类,每一种大类再进行细分。
以下内容其进行详细阐述。
(1)住宅
住宅建议分为非完全商品住房(即,包括政策性住房、居民城镇自建只有房)、普通住宅、高档住宅和别墅。
政策性住房,凡是按国家的房改政策建设、销售的住房,统称为政策性住房,具体包括:
按照房改政策向职工出售的公有住房;按照房改政策开发建设的经济适用住房、集资合作建房、公务员小区的住房等。
“政策性住房”具有以下特点:
一是在价格上要比商品住宅低30%以上;二是在销售对象上,购房群体一般限定在一个企业内部职工之间进行,而商品房没有这项规定;三是在面积控制标准上有限定,而商品住宅没有限定;四是办理交易发证手续取费上,往往减、免有关税费,而商品住宅没有这些优惠政策。
高档住宅是介于普通住宅和别墅之间的住宅,一般是指小区内部环境、内部配套明显高于区域周边楼盘,价格约比周边均价高30%以上的花园洋房、高档公寓。
别墅分为独栋别墅、组合别墅,组合别墅包括双评、联排及其他非独栋的组合别墅。
(2)商业用房
商业用房建议分为临街商铺、专业批发市场、办公用房、临时居住物业和娱乐健身休闲用房。
商铺又分为商业区的沿街商铺,商圈范围较大,租赁收入较高。
住宅小区沿街商铺如小区配商业设施,商圈范围较小,租赁收入相对较低。
办公用房又分为写字楼(分甲级、乙级、普通级别)、公共性服务用房如邮局等。
临时居住物业包括招待所、酒店(分星级)和私立医院等。
娱乐设施包括建设中心、高尔夫球场等。
(3)工业用房
工业用房包括制造加工用房、仓储物流、功能物业(储物罐、电话交换站、广播电视发送设施等)。
功能分类
住宅
非完全商品房
普通住宅
豪华住房
组合别墅
独栋别墅
商业
临街商业
专业批发市场
办公物业
临时居住物业
娱乐健身休闲
工业
制造加工
仓储物流
功能物业
该功能分区如果不能达到检测要求还可进行三级细分。
2.地域区分
即无论评估模型是基于哪一种评估基本方法,都需要根据不同的区域进行划分,才能得到比较精确的模型。
按统一供需圈范围划分,以标的房价格区域影响因素差别不大为原则,可以考虑按当地土地级别或行政区划或通过模糊数学分群,相邻区域应该有明显的地物区分标志,并且运用不同区域的AVM得出的结果有较明显的差异。
划分可以考虑城市的布局特点,单中心式的成都、西安、北京可划分类别较小,多中心的重庆、武汉、南京等城市需划分类别多,特殊类单独划分如重庆的临江房可以单独作为滨江区域。
市场区域的划分是一项结合了评估师的技术、经验、以及判断能力的工作,在客观数据的基础上,评估师更多地还需要结合自身的技术和经验进行划分,通常,还需要进行多次的试验,才能得到比较满意的评估区域划分。
当地域分区不能达到检测要求还可进行进一步细分,直至达到检测要求。
评估师应结合模型检验结果,综合决定功能分层和区域分层,提高批量评估的效果和效率。
(二)建模、校准、测试主要流程示意图
(二)主要数学模型
数学模型的设定是采用AVM技术进行价值评估的核心环节。
这是整个批量评估过程中非常关键的一个步骤,模型的质量主要取决于两个方面:
所收集的数据的丰富程度与质量;构造模型时所使用的各种技术是否合理、有效,处理是否科学。
模型的设定依据有评估三大基本方法的原理、财产特征以及跟踪财产价值随时间变化趋势的时间系列法等。
根据目标财产的类型、评估假设和可获得的数据,确定AVM的结构以及所应用的变量。
模型的结构反映了因变量指标(如销售价格,租金或者资本化率等)与其相关自变量之间的因果关系,各种自变量对评估价值的贡献或消极影响通过相关校准系数表现。
而要获得正确的系数,就要应用能符合模型结构要求的校准技术。
1.按模型结构中所采用数学方程的不同划分,AVM大致可以分为两大类Hedoni模型和时间趋势模型。
Hedoni模型是批量评估主要模型,包括以下三种计量模型:
加法模型、乘法模型、以及混
合模型。
这三种模型的基本形式如下:
Ⅰ加法模型:
其中,Y是因变量(即不动产的税基评估价值)
是自变量(对应于上一步骤中所确定的影响不动产价值的因素,p是自变量的数量,即这些因素的数量),b0是常数项,通常没有实际的意义,
是自变量的系数(即各个因素对不动产的价值的影响程度)。
Ⅱ乘法模型
在乘法模型中,变量不是与系数相乘,它们或者作为幂(指数),或者作为
模型中出现的系数的幂,在确定各个变量与系数的关系之后,计算依据这些关系
所得的结果,然后再将它们进行相乘。
下面是一个简单的乘法模型:
其中,SQM表示不动产的面积,QUAL表示不动产的质量,YEAR表示不动产已建成的年份,R1和L2均表示影响不动产价值的区域的情况。
Ⅲ混合模型
混合模型是一种同时包含加法和乘法部分的模型,例如,
其中,b0是常数项,通常没有实际的意义,b1,b2,…,b5是分别对应于自变量SQM(不动产的面积)、QUAL(不动产的质量)、AGE(不动产已建成的年份)、REMOTE1(距某个参照点的距离)、以及LAKE2(位于湖边2这个区域内)的系数。
2.按照模型所立足的三大基本评估方法划分
按照模型所立足的三大基本评估方法划分,AVM还可以分为成本法模型,市场比较法模型和收益法模型。
(1)成本法模型,是根据成本法的评估原理设定的模型。
评估师在选择该模型对不动产评估时,采用成本法分别评估建筑和土地的价值,然后将它们加总得到不动产整
体价值。
其采用的数学公式为:
其中:
πGQ表示影响建筑和土地价值的一般的质量变量,如位置和时间;BQ表示建筑物折旧因子;RCN为建筑物重置更新成本;LV为土地的评估价值。
尽管按照成本法的原理,其适用于任何面积,质量,屋龄和类型的不动产评估,但从评估结果的精确角度考虑,成本法显然更适合于那些不存在大额折旧,并能够从最近的土地销售中获取土地价值信息资料的较新不动产的评估。
(2)市场比较法模型
市场比较法的AVM又分为两种具体的模型,其一是可比销售法(间接评估模型)。
它通过两个步骤实现:
先建立一个确认可比销售样本的模型;然后再根据可比销售财产样本与目标财产之间的差异进行调整。
其模型表达式为:
其中:
SPC表示可比销售财产的销售价格;ADJC表示对可比销售财产的调整。
传统的可比销售法的调整原理,采用的是非统计校准的样本分析,即在模型中设定两个销售样本的特征在其它方面都相同,根据两个销售样本中某一特征的差异反映销售价格的差距。
这种方法较为原始,可靠性不足。
因此,可比销售法虽然构造简单,易于被使用者和法庭所接受,但其精确度难以与直接市场法媲美。
其二是目前在批量评估中应用最为广泛的直接市场法(DirectMarketMethod)。
直接市场法模型通常是采用了统计校准技术的愿望模型。
而目前改进的可比销售法模型的处理手段,也是先利用直接市场法获得调整量,然后再建立进行差异调整的可比销售模型。
(3)收益法模型
在收益法模型中,评估师一般是利用所收集的经过质量检验的收入、成本数据,应用资本化公式(MV=净
收入÷资本化率)或收入乘数公式(MV=净收入×收入乘数)进行折现。
这样的模型似乎形式很简单,但事实上,在确定(净)收入、资本化率、收入乘数、费用等变量时,还都要建立相应的子模型,即以(净)收入、资本化率、收入乘数、费用等项目分别作为子模型中的因变量。
如进行的是不动产评估,则以影响不动产价值的位置、屋龄、条件、福利设施、用途等项目作为自变量。
在得到这些子模型中因变量的结果后,再代入收益法模型的总公式(即资本化公式和收入乘数公式),最后得到收益法下的目标财产的价值估计。
(三)模型校准技术
在确定了基本的模型形式后,评估师必须要选择能够确定这些模型中相应系数的校准技术。
一旦模型中各个系数的值能够确定,就意味着各个系数所对应的因素对待评估不动产的价值的影响也就确定了下来。
值得注意的是,模型的校准并不是一次、两次的回归统计后就能确定下来的,通常的情况是需要经过反复的计算与校准。
在目前的AVM技术应用中,直接市场法模型采用了多种校准技术。
如多元回归分析、时间趋势分析、适应估计技术以及人工神经网络等。
由于先进的校准技术的采用,直接市场模型的精确度不断得到提高。
从某种程度上说,AVM技术的发展即是统计学技术与计算机技术中校准软件技术的发展。
除了直接市场法模型所应用的校准技术得到了相当的发展之外,其它AVM模型的校准技术也得到了发展,如为反映当前成本,利用了时间趋势分析更新成本校准技术。
多元回归分析是目前在国外批量评估中占主流地位的校准技术,其包括了线性回归分析和非线性回归分析。
其基本原理是通过对变量、误差的假定,依靠最小二乘法,来拟合因变量与自变量的线性或非线性的关系,从而建立数学模型。
由于目标财产的特征变量与评估价值之间通常存在的是非线性函数关系,所以,一般认为非线性回归分析比线性回归分析能更好地反映目标财产的价值变动规律。
但在采取多元回归校准技术时,必须注意预测样本的解释变量均值应尽可能接近估计样本的解释变量均值,这样才能实现预测误差的最小化。
多元回归分析的优势在于应用历史悠久,掌握多元回归技术的评估师人数较多;同时,多元回归分析能为各个变量确定有明确经济涵义的系数,回归模型的诊断工具也很丰富。
在大多数AVM中,多元回归分析就可以满足要求。
时间趋势分析实际上就是指数分析,原理简单,能快速得出评估结果,也易于被评估师掌握,但缺点是可靠性和精确度都不如多元回归分析,一般在财产特征信息不足于应用多元回归分析时才采用。
适应估计技术的突出优点是可以分别评估土地和建筑的价值,而其不足在于缺乏标准的计算方法,可应用的软件较少,而且无统计结果的诊断工具。
近年来,评估师们开始采用非线性回归分析来实现适应估计。
人工神经网络技术的评估精确度高,但目前其应用困难是:
该软件系统只能给出得到解释的变量,而不能得出财产特征变量的系数,从而其模型的解释能力不如多元回归分析。
而且,人工神经网络技术不论是在理论分析还是在编程技术上,都比多元回归模型复杂与困难,从而