摘要：随着我国城市化进程不断推进，城市居民数量增加，住房需求不断上升，房地产抵押贷款额急剧升高。目前银行对借款人准入条件把控不严，对抵押物评估及贷后管理工作等不重视，内控风险控制体系并不完善，不良贷款也急剧上升，房地产贷款风险控制研究亟需加强。针对以上情况，本文选择特征价格模型建立抵押物批量评估模型，提出将该技术引用于房地产抵押物贷款风险控制。并以重庆市江北区房地产市场为例实证分析，结果表明，将房地产批量评估技术引用到抵押物价值评估可实现快速高效的价值评估，降低抵押物贬值所带来的风险。
关键词：批量评估，房地产贷款，风险控制
Research on Machine Evaluation Method of Real Estate Loan Based on Hedonic Price Model
ABSTRCT：As China's urbanization process continues to advance，the number of urban residents is increasing，the demand for housing is rising，and the amount of real estate mortgage loan has risen sharply.At present，the bank is not strict with the borrower's admittance conditions；the mortgage assessment and post loan management do not pay attention，；the internal control risk control system is not perfect；and the non-performing loan is also rising sharply.The research on risk control needs to be strengthened.Through the analysis above，we select the hedonic price model to establish the mortgage evaluation model，and put forward this model in the risk control of real estate mortgage.And then，the real estate market in Jiangbei District of Chongqing City are used as an example to analyze the model.The results show that the evaluation model we established can be used to value assessment rapidly and efficiently.It can also help to reduce the loss of bank risk.
KEY WORDS：mass appraisal，real estate loan，risk control
1引言
随着房地产市场的发展，房地产抵押贷款占银行贷款比例逐年上升。房地产作为贷款抵押物，其本身的特殊性决定了抵押物贷款风险既包含金融行业所面临的风险又包含房地产行业所面临的风险。对房地产贷款风险的研究与分析是风险控制的基础，对降低银行风险起着重要作用。
由于我国信贷业务发展相对较晚，银行风险控制机制发展不完善，目前抵押物评估方面主要通过专业评估机构、委托专业估价师对抵押物进行价值估算。然而传统人工估价方法具有评估周期较长、评估过程繁琐、无法对抵押物进行自动评估等缺点，渐渐不符合市场需求。随着批量评估的出现，其凭借可实现快速评估且评估成本较低的优势迅速发展，为抵押物评估方法提供了新的思路。本文提出将机器评估应用于房地产贷款风险控制，对银行风控研究有一定的理论及实践意义。
2抵押物快速评估模型的建立
计算机辅助的批量评估即机器评估。批量评估方法最早以市场法、成本法、收益法三大传统评估方法为基础，但其运算较为简单，评估结果准确度不高。随着批量评估研究工作的开展，逐渐有特征价格模型、人工神经网络、随机森林等新的技术融入，完善了批量评估技术，不断提高评估精度。本文选择数据样本量少、模型便于理解且解释度高的特征价格模型进行建模。
2.1特征价格模型的表现形式
特征价格模型（Hedonic Price Model）是一种基于效用理论的研究方法，认为商品价值在于商品具有效用，当同种商品具有不同的效用时，商品效用值不等。特征价格模型的函数形式主要包含线性函数形式、半对数函数形式及对数函数形式三种。在实际应用中，具体函数形式的选择应根据统计分析和检验确定。
①线性函数形式
点。在对数表达函数中，自变量和因变量均以对数形式进入回归模型，回归系数对应着特征的价格弹性。
2.2房地产特征变量的选取与量化
特征价格模型中将房地产价格作为因变量，将房地产所包含的特征变量作为自变量。本文房地产特征变量的选取主要包含区位因素、邻里因素及建筑因素。其中，区位因素主要指促使区位地理形成功能、特性或发生变化的原因及条件；邻里因素包括社区环境及相应的公共设施；建筑因素指与建筑物本身相关的因素。
根据数据收集情况及上述各指标意义，本文选取以下共19个特征变量，量化依据如下：
表2.1 房地产特征变量量化依据表
基于上述准则进行特征变量的量化，根据特征价格模型，将变量输入模型后，可快速得出抵押物评估价值，实现房地产抵押物的快速评估、批量评估。
3实证分析
3.1 数据来源及分布
本文以2017年6月至2018年3月重庆市江北区的20个小区为研究对象，每个小区随机选取50组交易数据，共计1000组数据进行建模分析。数据来源于重庆市主城区部分二手房交易市场，具体为房天下、安居客、链家等房地产相关门户网站，及房地产评估公司。
3.2模型实证分析
3.2.1特征变量量化及相关性分析
依据前文已建模型及选取的特征变量，对所收集数据进行量化处理，由于数据量太大在此不做量化结果展示。由于所选各特征变量之间可能存在相关性，在进行建模之前应进行各特征变量之间的相关性分析，对变量进行降维筛选，以避免多重共线性给模型带来的影响。
（1）邻里因素与区位因素特征变量相关性分析
计算邻里因素与区位因素共13个特征变量的相关性矩阵，对矩阵中数据进行KMO 与Bartlett球形检验，结果如下：
表3.1 KMO 与Bartlett球形检验
其中，Bartlett 的球形检定值为9828.791，KMO检验值为0.369，说明以上数据不适合进行公因子分析。相关性矩阵中物业费与教育配套设施相关系数0.729，绿地率与最近轻轨距离相关系数为0.629，教育配套与车位配比相关系数为0.61，最近轻轨距离与公交站数相关系数为-0.641，最近商圈距离与公交站数相关系数为0.619，认为以上特征变量之间具有较强相关性。其余变量之间相关系数总体较低，可认为基本不相关。综上剔除物业费、绿化率、教育配套设施及公交站数四个变量，剩余变量进入模型。
（2）建筑因素特征变量相关性分析
同理，根据以上步骤对所选取的建筑因素特征变量进行相关性分析，得到Bartlett 的球形检定值为1922.655，KMO抽样适度测定值为0.595，一般此值大于0.5可适于因子分析，则认为上述数据可进行公因子分析。对上述数据进行公因子提取，建筑面积信息提取率为66.5%，装修档次信息提取率为92.5%，楼层信息提取率为55%，室数信息提取率为0.61%，楼龄信息提取率为91.3%，建筑类型信息提取率为71.6%。
表3.2 说明的变异数总计
从上述结果可看出累计方差百分比为63.84%，提取2个公因子代表变量，但信息损失量太多，因此不对建筑特征变量进行公因子提取。由相关性矩阵可看出装修档次与楼龄相关性系数为0.869，相关性较高，综合以上数据分析，将变量装修档次剔除，则最终进入模型的特征变量为建筑面积、楼层、室、楼龄、建筑类型、容积率、车位配比、有无公园、临近大学、重点学校、生活配套设施、小区均价、最近轻轨站距离、最近商圈距共14个特征变量。
3.2.2模型计算
目前学者专家对特征价格模型的具体函数形式尚未形成统一的结论，最终模型的确定要通过比较进行选择。具体过程如下：
（1）函数形式选择
线性形式
回归结果如下：
表3.3 模型摘要
由表可得，基本模型的复相关系数R为 0.914，判定系数R2 为 0.835，调整后的R平方为0.833。则说明各特征变量与因变量之间存在强线性相关性，模型具有很好的解释能力且所能解释因变量差异的百分比约为83.5%，D-W检验为1.811，且回归系数通过显著性检验。残差分析结果如下：
图3.1 线性模型残差直方图 图3.2线性模型残差累计概率图
重复以上步骤，对半对数形式（2.2）和对数形式（2.3）进行回归分析和变异数分析和残差分析。由上述分析可知，不同的模型拟合度不同，具体如下表：
表3.5 各模型系数
在以上三个模型中拟合度最好的为线性模型，其次对数模型，最后半对数模型，三者相差不大，但对数模型D-W检验不如线性模型与半对数模型。结合残差累计概率图，对数模型拟合度更好，最终选择线性模型。
（2）模型验证
线性模型的进一步改进在此不做过多叙述。最终进入模型的变量为建筑面积、楼龄、小区均价、最近轻轨站距离及最近商圈距离5个特征变量，且变量显著性系数均小于0.05，通过T检验。
同理，对上述结果进行变异数分析，可得基本模型的复相关系数R为 0.908，判定系数R2 为 0.824，调整后的R平方为0.823。则说明各特征变量与因变量之间存在强线性相关性，模型具有很好的解释能力且所能解释因变量差异的百分比约为82.5%，D-W检验为1.76，且回归系数通过显著性检验。经过残差分析，最终各特征变量系数如下：
表3.6 特征价格表
在线性模型中，特征变量及回归均通过显著性检验，满足统计学检验。在经济学意义上，建筑面积越大，房价一般来说越高，应该与房价成正相关；住宅楼龄越大，损耗越大，房价偏低；小区均价越高，该区房价越高，应该与房价成正相关；距离轻轨站及商圈距离应该与房价呈负相关关系。因此模型结果如下：
P=1063.787+7.771*建筑面积-39.748*楼龄+1.060*小区均价-0.361*l最近轻轨站距离-0.331*最近商圈距离
最终，由模型计算得到的房地产价值预测值与其实际值对比图如下，证明模型有效。
图3.5 预测值与实际对比图
4总结
金融行业本身具有高风险性与不稳定性的特点，银行作为我国金融体系的重要组成部分同样面临高风险不稳定等特征。房地产抵押贷款是银行贷款业务的重要组成，由于抵押物为房产，因此银行既面临金融行业的风险又面临房地产行业所带来的风险，对银行贷款进行风险控制十分重要。目前国内银行风险控制方面相关学者虽有所研究，银行方面也在不断加强风控措施，但对银行抵押贷款风险控制实践方面的研究仍有所欠缺，特别是抵押物风险控制方面，目前研究理论居多，抵押物价值评估也主要以传统方法为主。基于此本文将批量评估技术应用于抵押物价值评估，建立抵押物快速评估模型，实现对押品的批量评估。对房地产抵押物价值评估模型的建立，本文采用特征价格模型，特征价格模型虽然建模比较直观，房地产相关因素变量容易取样，为机器评估提供科学、高效的途径。
参考文献：
[1]张洁漪.后金融危机下我国上市银行再融资内部风险控制研究[D]，2011.
[2]ROBERT J.Comparison of Three Residential Regression models：Additive，Multiplicative，and Nonlinear[J].Assessment Journal，2002：1-12.
[3]OLMO J C.Prediction of Housing Location Price By a Multivariate Spatial Method：Cokriging[J].Journal of Real Estate Research，2007，29（1）：95-114.
[4]KONTRIMAS V，VERIKAS A.The mass appraisal of the real estate by computational intelligence[J].Applied Soft Computing，2011，11（1）：443-448.
[5]庞枫.随机森林在二手房批量评估中的应用研究[D]；重庆交通大学，2017.
[6]BOARD A F A S.Uniform standards of professional appraisal practice[M].The Appraisal Foundation，2004.
[7]崔宏.基于银行贷款安全目的的抵押资产评估理论与方法创新[J].金融论坛，2007，12（1）：42-47.
基金项目：重庆市大学生创新训练项目（201810618007）
论文作者:袁锐莹,郭杰,彭家英
论文发表刊物:《基层建设》2019年第9期
论文发表时间:2019/7/24
标签：模型论文; 变量论文; 特征论文; 系数论文; 相关性论文; 抵押物论文; 线性论文; 《基层建设》2019年第9期论文;