自住宅房产税在上海和重庆两地试点5年来，一直争议不断，征收工作困难重重，税金和征收成本大致相当使得房产税的立法蒙上了一层阴影。然而，与房产税的立法相关工作，如全国的不动产登记在加速推进中。由此可见，尽管房产税牵涉利益广泛，税制改革盘根错节，但其改革势在必行[1-2]，而提升税金征收效率，降低征收成本，构建信息化的房产批量评估方法，成为亟待解决的问题[3-4]。
房产价格影响因子众多，且影响程度各异，导致了估价过程的复杂性及主观性。为提供估价的准确性，采用地理信息系统的数据查询手段、网络分析功能以及缓冲区分析技术，对房产价格影响因子进行分析及精准量化，从而克服房产估价中人为因素影响，已成为当前房产信息化评估的主要技术手段，并得到广泛研究[5-7]。但这些方法主要是基于市场比较法的改进，由于市场比较法对可比案例选择较为苛刻，估价过程中仍然无法从根本上消除人为因素的影响，在批量估价方面具有一定局限性[8-9]。近年来，随着住宅房产市场的成熟及交易案例的日益增多，特征价格估价方法得到迅速发展，并被证明可应用于房产税税基评估[10]。但由于房产价格影响因子较多，建立在线性假设基础上的特征价格模型极易产生共线性，从而造成估价偏差[8,11]，为此，文献[11-14]在特征价格估价基础上，发展出了一些非线性估价方法。其中，神经网络由于具有较好的非线性映射能力，因而具有较好的应用潜力。将GIS技术和神经网络理论相结合，融合两者的优势，构建一种新型的房产批量评估模型及应用系统，将能够为房产税收制度改革提供技术支持，本文对此进行了探索。
本文的关键点在于BP神经网络的训练以及房产特征因子的量化，因此模型的建立思路也是围绕这两点展开,具体为：①获取研究区域房产交易案例数据以及待估价房产数据，对它们进行筛选后将交易案例以及待估价房产的各个特征数据录入到系统中，分别建立起交易案例库以及待估价房产库；②结合GIS强大的数据查询和处理能力对交易案例和待估价房产进行量化处理，根据GIS的查询功能和缓冲区分析功能对交易案例和待估价房产的各个特征值进行打分；③运用这些量化好的交易案例，一组分值对应一个交易价格，运用多组数据对BP神经网络进行训练，若误差值在阈值范围之内时对应该模型下数据的BP神经网络模型就建立完成，否则需要进行多次训练直到误差缩小到足够小为止；④利用建立的BP神经网络模型进行估价操作，系统从待估房产数据库中读取待估房产特征量化值，从而预测房产价格。
本文提出的融合GIS和BP神经网络的住宅房产批量评估模型将GIS与BP神经网络模型方法结合，发挥了GIS数据管理与空间分析功能，既对住宅房产数据进行了高效的管理与操作，又对其价格影响因子的量化建立了一套量化标准，并进行自动化量化操作；根据量化值，利用BP神经网络非线性回归功能拟合出住宅房产价格影响因子与其价格之间的关系模型。该模型克服了住宅房产影响价格因子量化和估价多凭专家经验的缺点，保障了系统评估的科学性与准确性，能够为大环境下的房产税制改革提供技术支持，为房产税的出台和落地提供积极的推动作用。
引用格式
李恒凯，柯江晨，王秀丽．融ＧＩＳ和ＢＰ 神经网络的住宅房产评估模型［Ｊ］． 测绘科学，２０１８，４３（８）：１０４-１０９．
閱讀更多 測繪學術資訊 的文章
