3.房产估价的理论和技术

房产价值评估的过程虽然单调乏味，但至关重要。想要确定合理的土地征用和房产税收政策、建立适当的银行监管体系，都需要对房产的价值进行可靠的估计。本节将简要讨论机器学习算法和电脑视觉方法在房产估价领域未来的应用。

可比售价法是众多房产价值评估方法中最基本的一种。或依赖电脑程序的算法，或凭借估价师的判断，可比售价法需要根据其他有可比性的房产的销售情况来估计近期尚未售出的房屋的市场价值。如果估价师的数据库里有20套在近期售出的房屋与估值对象有着基本相同的情况，那么这个方法既简单又准确。

不过更常见的情况是，有可比性的售出房屋与估值对象的情况并不完全相同，因此需要根据结构和位置对价格进行调整。在这种情况下，特征回归估价法可以保证调整的统计学可靠性。人工神经网络等最新技术的发展已经使得评估非线性关系不再困难，不过标准住房数据集所包含的变量过少这一限制仍没能被克服。另外，特征回归估价法通常仅能解释住房价格变化的一小部分(30%)，这意味着我们还是需要人类估价师来对特定家庭的众多特殊因素进行评估。

与应用计算机技术的特征回归估价不同，人类估价师是根据自己所看到的内容来对估计值做出调整。人工估价法的缺点在于人类估价师的认知能力有限，因此会犯回归模型不会犯的错误。而计算机视觉方法不但可以把人类估价师所看到的所有图像纳入考量范畴还不会囿于人类估价时的偏见和局限，这就是它最大的优点。

如果计算机能获得人类估价师所感知的每一幅图像，我们就可以把计算机视觉方法推向极致。在这种情况下，人类和计算机使用的信息集完全一致，而计算机从海量数据中搜索规律的能力明显比人类估价师要强。在拥有同等输入信息的条件下，计算机能够使用机器学习算法来处理这些数据，而人类能依靠的只不过是他或她的最佳判断而已。

Nikhil Naik、Michael Kinkaid和我正在对波士顿市的房屋销售记录展开研究。我们把谷歌街景图像中的房屋一一与销售数据加以关联，从而评估这些外部图像的附加解释能力。

我们使用了类似程序对纽约各街区收入情况的研究(Glaeser、Kominers、Luca和Naik,2015)表明，图像能够解释这个样本中80%以上的收入差距。而当我们把纽约市的图像和收入数据所生成的算法应用于波士顿地区时，各街区的收入差距也有70%以上能被解释。因此，我们对这一算法推广的可行性保持乐观。

由于房屋的位置对估价有着重要影响，基于图像的各种估价方法也会考虑到房屋的位置以及其他已知特征。此外，房屋的位置及其视觉特征之间很可能还会发生重要的交互作用，为了正确使用位置信息，机器学习的算法当中必须包含这些变量。麻烦的是，如果这种交互作用很关键，那么把一个大都市地区的数据生成的评估算法应用到另一个大都市地区将稍显困难。

计算机视觉技术的兴起能够从根本上革新非人类房地产估价。在此之前，尽管人类能察觉到丰富的信息，但认知并非完美，还需亲自现场估价；而计算机虽然有强大的统计能力，但解释变量有限。现在我们能够把人类估价师的所有视觉知识与机器的大型计算能力结合起来，再也不必在两者之间权衡取舍。这种结合使得我们能够廉价快速地进行大量准确的估价，我们因此可以为土地征用、房产税收和银行监管建设一个更光明的未来。