软件使用指南

CFMA 1.1 住房价格批量评估软件 使用指南

  城房MA是一款简单、通用的住房价格批量评估软件。该软件可以从交易案例中挖掘决定房价的规律,形成自动评估模型。关于此房价评估软件的基本介绍,请点击上一级页面。以下是该软件的具体操作指南。 注:软件的安装、运行环境、数据库配置,请参见软件包内相应文档。特别是使用64位操作系统的用户,请注意使用本软件读写Excel文件的配置方法。

一、使用CFMA 1.1 进行批量评估的流程概览

使用CFMA进行批量评估的流程大致可分为以下几步: (1)收集交易案例信息。即在过去一段时间内,真实发生的房屋买卖案例,包括成交价格和每套房屋的属性等信息。 (2)建立模型。让计算机通过分析交易案例,从中提炼决定房屋价格的规律。 (3)执行评估。收集需要评估的住房的信息(房屋属性),根据上一步建立的评估模型,计算评估价和误差区间,必要时输出评估过程(基准价和由于各因素调整的比例)。

二、一个使用CFMA 1.1进行批量评估的演示

演示所需的文件在压缩包的 Sample 目录下。 (1)情景 这个演示假设用户需要评估某一地区101套住房在2011年3月15日的价格,全部房屋的信息已经存储在Excel文件的“待评估的住房”Sheet中。 为了获取准确的评估模型,用户还收集了该地区在2011年1月至3月之间交易的 302宗案例(在Excel文件的“交易案例”Sheet中)。用户希望根据这 302宗交易案例,利用 CFMA 软件生成一个自动评估模型,用于对“待评估的住房”进行估价。 打开 Sample 目录中的 Excel 文件(任一个都可以),可以看到用户已经收集到的数据。“待评估的住房”表中的是希望评估的住房,“交易案例”表中的是以往的交易案例。 说明:在我们的例子中,为了检验评估的效果,“待评估的住房”中的数据其实也是实际的交易案例。这样,我们可以比较实际交易价格和软件给出评估价格的差异。在Excel的“评估效果”Sheet中,按照国际评估师协会(IAAO)制定的准则评价评估效果。 (2)在CFMA 1.1中创建一个经典的回归模型 Step 1 文件 – 新建 打开 CFMA.exe。点击“文件”菜单——“新建模型”,如下图所示。 Step2 设定数据源和字段 点击“评估模型”——“数据源和字段设定”,弹出以下对话框: 在这个对话框中,需要告诉系统,交易案例的数据存放在哪里——在哪个数据库中(数据连接字串)?数据库里的哪张表(表名称)?表里的哪些记录(筛选条件)?以及数据库引擎的类型。 作为演示,我们在OleDB连接字串右侧的下拉框中,选择“Excel 2003(*.xls)”,然后在打开文件窗口中选择“基于经典回归的评估.xls”文件。 点击打开后,在“用于训练模型的样本所处的表”文本框内填入“交易案例$”,如图所示。 Step 3 点击下一步后设置字段 在这个对话框中,需要系统数据表中的每个字段分别是什么。简单地说,就是告诉系统,哪个字段是房价,哪个字段是交易时点,哪些字段是解释变量(房屋的特征)。 “房价字段”和“交易时点字段”都很容易理解,应告诉系统,在我们的数据表中“实际售价”是存放交易案例房价的字段、“交易时间”是存放交易时点的字段。 其他房屋的特征属性信息,需要按下述标准进行分类:

  • 数值型变量:即取值为实数或自然数的属性。例如房屋面积、所在楼层、总楼层、绿化率、容积率、物业费等。本演示即填入了这6个字段。
  • 字典型变量:即取值为“类别”、“性质”的名义型属性。例如所在行政区、环线位置、建筑年代、户型、朝向等。
  • 二值型变量:即取值只能为0或1的属性。例如是否在顶层、是否通地铁、是否为经济适用房。

按照这一标准,把希望引入模型的房屋属性字段添加到对话框相应位置中。如上图所示。 “时间哑元频率”决定时间哑元变量的设置方式。本系统按照时间哑元法处理房价随时间变化的关系,可以选择对每个月设置一个哑元,或者对每个季度设置一个哑元。 点击结束,数据源和字段的设置就完成了。 Step 4 回归 在“评估模型”——“经典回归模型”菜单下,点击“基于交易样本回归”。 所谓回归,就是通过分析交易案例,寻找房价的决定规律,最终形成可靠的评估模型。 有经验的用户可以在上图界面中,对采用的计量经济学模型做一定调整。我们直接按照默认的设置,点击“自动生成自变量组”。 输出信息中显示生成了39个解释变量。再点击“开始回归运算”,便可以自动完成回归。 Step 5 查看回归结果 在“评估模型”——“经典回归模型”——“查看回归结果”菜单中,可以查看回归效果。 窗口左侧显示各个自变量的系数、t-统计量,右侧显示模型的统计信息。可以看到,依据演示数据生成的模型 R2为 0.95,误差项在 9% 左右。 一般来说,较好的评估模型“1倍标准误差范围”应当在±10%左右。 至此,我们已经成功创建了一个较好的评估模型。 (3)执行评估 点击“评估模型”——“经典回归模型”——“使用模型评估”,弹出以下窗口: 在默认情形下,系统会认为需要评估的案例和交易案例在同一个数据库中,因此自动将之前设定的连接字串复制到这里。但待估案例所在的数据表、筛选条件,以及存放评估结果的字段,需要另行指定。 在本演示中,待估案例在“待评估的住房$” Sheet 中,筛选条件为空,我们希望把评估结果存放到“评估价格”字段中。据此填写相应内容。 “评估表达式”是依据模型回归结果生成的,不需要改动。如果希望基于本系统进行二次开发,可以利用这一表达式求取评估结果(该表达式取值是评估值的自然对数)。 设定后,点击“执行批量评估”,评估结果即会保存到 Excel 的相应字段中,如下图所示。 在“评估效果” Sheet 中,我们可以看到全部评价指标均显示为合格。说明软件给出的评估结果与实际成交价格基本一致。而且本次评估的纵向公平性(PRD)以及横向一致性(COD)均满足IAAO设定的要求。

IAAO 1999 制定的评价标准 取值 理想值范围 是否合格
算术平均评估水平 0.984 0.9 ~ 1.1
加权平均评估水平 0.979 0.9 ~ 1.1
中位数评估水平 0.974 0.9 ~ 1.1
PRD 价格相关差 1.005 0.98 ~ 1.03
COD 扩散系数 6.01 < 10

三、使用人工神经网络模型(ANN)的演示

经典的多元回归模型(MRA)和人工神经网络模型(ANN)是美国房地产税评估中最常采用的2类方法。CFMA 1.1 版新加入了对 ANN 方法的支持。 ANN方法与经典回归模型的最大区别在于,ANN不再采用“回归表达式”计算评估价格,所有计算都在黑箱(神经网络)中完成。 虽然 ANN 在技术实现上更为复杂,但应用起来非常容易。点击“评估模型”——“人工神经网络模型”,弹出ANN模型界面。 我们首先输入训练轮数为“1000”轮,然后点击“利用交易样本训练ANN模型”。系统就开始自动从交易案例中提炼决定房价的规律。 训练结束后,我们填写“待估案例的数据表”为“待评估的住房$”,筛选条件为空,“储存评估价格结果的字段”为“评估价格”,主键为“ID”。 点击“执行批量评估”。 评估效果在Excel文件的“评估效果” Sheet 中有体现:

IAAO 1999 制定的评价标准 取值 理想值范围 是否合格
算术平均评估水平 0.995 0.9 ~ 1.1
加权平均评估水平 0.999 0.9 ~ 1.1
中位数评估水平 0.985 0.9 ~ 1.1
PRD 价格相关差 0.996 0.98 ~ 1.03
COD 扩散系数 8.37 < 10

比较 ANN 和经典回归模型的评估效果,可以发现 ANN 的整体评估水平更准确,纵向公平性(PRD)与传统模型相当,而横向一致性略逊于传统模型(误差的分布更大)。

发表评论

电子邮件地址不会被公开。