自住宅房產稅在上海和重慶兩地試點5年來，一直爭議不斷，徵收工作困難重重，稅金和徵收成本大致相當使得房產稅的立法蒙上了一層陰影。然而，與房產稅的立法相關工作，如全國的不動產登記在加速推進中。由此可見，儘管房產稅牽涉利益廣泛，稅制改革盤根錯節，但其改革勢在必行[1-2]，而提升稅金徵收效率，降低徵收成本，構建信息化的房產批量評估方法，成為亟待解決的問題[3-4]。
房產價格影響因子眾多，且影響程度各異，導致了估價過程的複雜性及主觀性。為提供估價的準確性，採用地理信息系統的數據查詢手段、網絡分析功能以及緩衝區分析技術，對房產價格影響因子進行分析及精準量化，從而克服房產估價中人為因素影響，已成為當前房產信息化評估的主要技術手段，並得到廣泛研究[5-7]。但這些方法主要是基於市場比較法的改進，由於市場比較法對可比案例選擇較為苛刻，估價過程中仍然無法從根本上消除人為因素的影響，在批量估價方面具有一定侷限性[8-9]。近年來，隨著住宅房產市場的成熟及交易案例的日益增多，特徵價格估價方法得到迅速發展，並被證明可應用於房產稅稅基評估[10]。但由於房產價格影響因子較多，建立在線性假設基礎上的特徵價格模型極易產生共線性，從而造成估價偏差[8,11]，為此，文獻[11-14]在特徵價格估價基礎上，發展出了一些非線性估價方法。其中，神經網絡由於具有較好的非線性映射能力，因而具有較好的應用潛力。將GIS技術和神經網絡理論相結合，融合兩者的優勢，構建一種新型的房產批量評估模型及應用系統，將能夠為房產稅收制度改革提供技術支持，本文對此進行了探索。
本文的關鍵點在於BP神經網絡的訓練以及房產特徵因子的量化，因此模型的建立思路也是圍繞這兩點展開,具體為：①獲取研究區域房產交易案例數據以及待估價房產數據，對它們進行篩選後將交易案例以及待估價房產的各個特徵數據錄入到系統中，分別建立起交易案例庫以及待估價房產庫；②結合GIS強大的數據查詢和處理能力對交易案例和待估價房產進行量化處理，根據GIS的查詢功能和緩衝區分析功能對交易案例和待估價房產的各個特徵值進行打分；③運用這些量化好的交易案例，一組分值對應一個交易價格，運用多組數據對BP神經網絡進行訓練，若誤差值在閾值範圍之內時對應該模型下數據的BP神經網絡模型就建立完成，否則需要進行多次訓練直到誤差縮小到足夠小為止；④利用建立的BP神經網絡模型進行估價操作，系統從待估房產數據庫中讀取待估房產特徵量化值，從而預測房產價格。
本文提出的融合GIS和BP神經網絡的住宅房產批量評估模型將GIS與BP神經網絡模型方法結合，發揮了GIS數據管理與空間分析功能，既對住宅房產數據進行了高效的管理與操作，又對其價格影響因子的量化建立了一套量化標準，並進行自動化量化操作；根據量化值，利用BP神經網絡非線性迴歸功能擬合出住宅房產價格影響因子與其價格之間的關係模型。該模型克服了住宅房產影響價格因子量化和估價多憑專家經驗的缺點，保障了系統評估的科學性與準確性，能夠為大環境下的房產稅制改革提供技術支持，為房產稅的出臺和落地提供積極的推動作用。
引用格式
李恆凱，柯江晨，王秀麗．融ＧＩＳ和ＢＰ 神經網絡的住宅房產評估模型［Ｊ］． 測繪科學，２０１８，４３（８）：１０４-１０９．
閱讀更多 測繪學術資訊 的文章
