土地供应与房地产传导机制的大数据分析框架研究

■ 辜寄蓉/刘 寅/冯义从/王露露/方从刚/兰井志

（1.四川师范大学地理与资源科学学院，成都 610101；2.四川省国土资源厅信息中心，成都 610072；3.成都市国土资源信息中心，四川 成都 610032；4.中国国土资源经济研究院，北京 101149）

土地供应与房地产传导机制的大数据分析框架研究

■ 辜寄蓉1/刘 寅1/冯义从2/王露露1/方从刚3,4/兰井志4

（1.四川师范大学地理与资源科学学院，成都 610101；2.四川省国土资源厅信息中心，成都 610072；3.成都市国土资源信息中心，四川 成都 610032；4.中国国土资源经济研究院，北京 101149）

互联网中丰富的社会、经济、生态信息，与不动产数据相结合，将更好地拓展不动产数据的应用范围。研究采用大数据“用户画像”技术，提取不动产统一登记数据库中登记类型、空间位置、土地利用分类、权利人等信息，辅助网络大数据提取不动产价格、基础设施状况、区位条件等信息，对土地的供应和房产的需求进行画像，建立房产需求标签、土地供应标签以及供需信号标签，实现供需联动，搭建了土地供应与房地产市场传导机制框架。研究成果可精准、及时、全面地反映“土地—房产”之间的变化，为明确房地产市场的供应和需求之间的相互作用研究提供系统化的数据支撑。

供需信号；房地关系；不动产统一登记；大数据

1 研究背景

不动产数据具有丰富的人、地、房相关信息，但缺乏社会经济等相关信息。互联网中丰富的社会、经济、生态信息，与不动产数据相结合，将更好地拓展不动产数据的应用范围。“不动产+大数据”的数据体系可以提供精准数据、个体微观的研究尺度。当前，房价是社会关注的热点，政府对房地产市场的调控持续不断，但现实收效非常有限，过量供应或价格虚高的问题此起彼伏。依据面包与面粉的关系类比理论，房地产市场问题实际关键在土地供应。关于土地市场供应如何影响房地产市场这一核心问题，学者分别从价格影响机制、供求结构、供需水平等方面进行了分析并取得一定成果，但仍缺乏对“土地—房产”两者关系准确刻画的手段与分析方法。本研究以“不动产+大数据”的方式构建分析框架，以期精准、及时、全面地反映“土地—房产”之间的变化，为明确房地产市场的供应和需求之间的相互作用研究提供系统化的数据支撑平台。

目前,学术界对“土地—房产”关系以供求理论为基础，主要从两个方面展开讨论：

(1)土地价格与房产价格的关系，其中关于二者理论方面的观点主要有房价决定地价、地价决定房价、房价与地价相互影响三种，但是这三种观点在不同时段也有不同体现。高波等[1]、郝寿义等[2]、杜建华[3]认为短期内二者相互作用，长期房价决定地价；况伟大[4-5]、黄健柏等[6]认为地价是影响房价的主要因素；严金海[7]、李玲等[8]则认为地价和房价相互影响。

研究方法：学者们广泛应用的房地产市场研究方法主要包括四象限模型（高丽坤等[9]）、Granger因果关系检验（况伟大[4]、陈会广等[10]、李玲等[8]、郝寿义等[2]）、回归分析（况伟大[4]、李玲等[8]）、结构方程（严金海[7]、杜建华[3]）等。这类型研究中，由于数据的获取和跨度不同，即使采用同一种方法得到的结论也不尽相同。

(2)土地供应与房地产市场的关系，主要研究包括土地供应量与房产数量、土地供应与房价两个部分。①土地供应量与房产数量：林方磊[11]、高丽坤等[9]、张娟锋等[12]、郑娟尔[13]认为土地是房产产生的基础，它们之间的关系受容积率控制，土地供应量与房产数量呈线性相关。②土地供应与房价：土地供应包括土地供应量、土地供应方式以及土地供应结构。有学者认为土地供应量不能满足市场需求，导致供需失衡，也有学者认为土地供应量对市场的影响是随着时间变化的。土地供应结构对市场的影响作用于房价，土地供应方式也会影响房价。

高丽坤等[9]和贾生华[14]在探讨土地供应量和房价的关系时，得出二者正相关的结论，认为土地供应量越多，房价变化越大。郑娟尔[13]和丰雷等[15]的观点相反，认为土地供应对房价具有负影响。张洪等[16]在全国尺度和云南省利用面板数据分析变量房价与房地产供应关系，研究发现土地供应量对房地产市场的影响，有两年的时滞差别；而两年时滞供应量对价格产生负影响。而张淑娟等[17]采用博弈均衡分析土地供应量导致房价变化，但影响不显著。许多学者，如建设部课题组[18]认为土地供应结构调整会显著影响房价，对消费者预期产生改变。陈光等[19]认为作为房地产业的重要环节，供应结构不合理，从全国来看存量土地利用少，增量利用多，不利于可持续发展。还有学者认为调整土地结构是降低房价的关键，实现土地价格、区位、面积与市场的对接，可以有效控制房价。乔叶建[20]认为土地供应的时滞效应会对房地产市场产生重大影响。白忠菊[21]以重庆为例子，从土地供应数量、结构和方式分析对房价的影响，认为供应方式对各区域房价形成了较为普遍的影响，其中招拍挂方式影响作用最弱。

研究方法：根据不同的研究目的采用的方法主要有博弈论（张淑娟等[17]）、数里统计方法回归分析（高丽坤等[9]、贾生华[14]、白忠菊[21]）以及结构方程（乔叶建[20]）等。

2 基于大数据的研究方法

从前人研究看，学者们也开展过关于房地产价格空间分异与演化规律的GIS研究，为本文提供了研究思路与可借鉴的模式。但长期以来，土地数据和房产数据始终是分离的。学者们研究使用的数据只能反映房产或土地单方面的供需变化，房产信息与土地信息的不匹配，就不能有效地建立房地反馈关系，准确预测土地供应与房产需求，实现土地和房地产供需的有效衔接。随着研究向纵深、微观、精细化发展，运用“大数据+不动产”研究，可以更加精确地把握房地产具体信息，研究其互动关系与传导机制。

大数据分析中，“用户画像”是一种新颖的、对用户以及用户行为进行刻画的数据挖掘与分析方法，在互联网企业如淘宝、微信中大量使用。用户信息标签化，就是企业通过收集与分析消费者社会属性、生活习惯、消费行为等主要信息数据之后，完美地抽象出一个用户的商业全貌，这也是企业应用大数据技术的基本方式。一个标签通常是人为规定的高度精炼的特征标识，如年龄、性别、地域、用户偏好等，最后将用户的所有标签进行综合，就可以勾勒出该用户的立体“画像”了。从标签的特征看，具有以下特点：①语义化，使用者能很方便地理解每个标签含义；②短文本，每个标签通常只表示一种含义，标签本身无需再做过多文本分析等预处理工作，这为利用机器提取标准化信息提供了便利。

采用大数据技术中的“用户画像”技术，对土地的供应和房产的需求进行画像，使得供求关系标签化，实现供需联动，以适应不断变化的房地产市场。

3 土地供应与房地产市场调控的关系

早在2016年的中央经济工作会议上，就提出房地产市场应该加快建立符合中国国情、适应市场规律的房地产平稳健康发展长效机制。在“不动产+大数据”的数据体系支持下，对土地市场和房地产市场的现状进行准确刻画，明确反映房地供需关系，准确地将房产需求传导到土地供应端，提高土地供应效率，实现对房地产市场的精准调控治理。

利用“用户画像”原理和方法对房产和土地进行画像[23-28]，能进一步实现精准供需调控。总结文献资料画像的主要步骤分为三步：①数据收集和梳理；②建立画像标签体系：个体属性标签、市场交易标签等；③画像建模生成标签。画像的数据主要来源于不动产数据库，大数据进行补充。房地产的标签可以根据应用需求拆分为事实标签、模型标签及预测标签。其中事实标签主要包括其自身属性特征：面积、位置等；模型标签是参与画像表达的其他标签如行为偏好、市场状况等；预测标签属于连续性变量，可以通过对现有模型标签的刻画实现对标签的预测，例如通过前三个月的供地价格，预测当前供地价格。

3.1 基于不动产数据的房产需求标签

通过提取不动产数据库中房地产的位置信息、登记类型、所属权利人类型等信息，同时辅助基础设施、交通状况、市场交易信息等大数据手段，对房地产市场的需求现状进行清晰把握。研究在“不动产+大数据”的数据体系支撑下首先对房地产市场的需求现状进行描述分析。房地产需求的刻画主要是从市场交易状况、不动产登记频率、抵押登记比例（抵押金额量）等明确房产需求的程度，同时通过户型、面积、位置等数据信息明确不同类型房产的需求强弱，辅以大数据分析其需求房产所具备的基础设施、交通和环境等区位状况。数据统计口径分为套数、面积和频率（图1）。

图1 基于不动产数据的房产需求指标

3.2 基于不动产数据的土地供应标签

土地作为房产需求的被传导方和反馈方，不动产数据中的土地供给时间、供应数量、供应结构等是调控房地产市场的主要手段，同时土地的供应在满足当前房产需求的情况下，还对未来房地产的需求状况产生影响。

研究在“不动产+大数据”的数据体系支撑下首先对土地供应现状进行描述分析。土地供应的刻画主要从土地地块空间分布、宗地变更登记、等级等明确土地供应的程度，辅助大数据分析其供应土地所需要的基础设施、交通、区位、环境等条件，同时主要通过市场价格、供销比等进一步明确土地供应的强度是否合理，是否满足房地产市场的需求。数据统计口径分为套数、面积和频率（图2）。

图2 基于不动产数据的土地供应指标

3.3 供需信号标签

供需信号是供给和需求强度呼应的传导信号，土地供应响应房产需求，房产需求推动土地供应变化。研究设定以下供需信号标签，量化其响应/传导作用。

住建部和国土资源部门的相关文件规定（建房﹝2017﹞80号）[22]，土地供应信号划分为5类：显著加快供地、加快供地、正常供地、适当减少供地、减少直至暂停供地；房产需求信号划分为显著旺盛需求、旺盛需求、一般需求、低下需求、低下甚至无需求5类。

供需信号传递主要通过3.1和3.2中刻画的房产需求标签和土地供应标签聚类得到，包括空间分布维度、区位条件维度（基础设施、交通、环境、周边氛围等）、金融维度（抵押）和市场交易维度（价格、销售量等）4个维度。

(1)空间分布维度。主要明确房产需求旺盛的区域是否具有土地供应潜力，可以满足房产市场未来的供应需求，将其空间分布划分为5个等级，从高到低赋予相应的需求信号。

(2)区位条件维度。通过房产的现状刻画其具有的基础设施、交通、环境等能力，将基础设施状况进行量化表达，采用分等定级划分为需求信号等级赋给房产，充分明确哪种区位维度的房产需求旺盛或者无需求，是为对应需求房产提供符合其基础设施要求的土地，实现土地的有效且高效供给。

(3)金融维度。房产市场需求的另一种刻画，采用房产抵押的比例，估算房产需求量，同样根据实际情况划分为5个等级，分别赋予不同强度的需求信号，比例越高，需求越旺盛，反之，需求低下。

(4)市场交易维度。由于房地的供需是对市场交易的充分反应，且有大量的不动产数据和大数据具有重复性，如登记频率对应大数据的销售频率，登记比例也相当于大数据的消化周期，在综合考虑数据特征的基础上，选择房产消化周期、房产登记频率、房产价格环比增长3个指标进行市场交易维度的房产需求刻画（表1）。

将以上4个维度的房产需求，采取信号最强原则，进行需求的空间量化，实现基于不动产数据的房产需求情况分析，为土地供应参与房地产市场科学调控提供支撑。

4 土地供应与房地产市场传导机制框架

为更好地明确房地产市场需求对土地供应的传导机制，推进土地的有效供给，对土地资源精准化管理。通过对土地供应和房产需求的标签化实现实时的房地变化动态监测，描述其变化的区域位置、价格等，更精准则是需要对房地的基本属性、社会属性、基础设施、开发商、消费者、政府等进行分析建模，通过文本挖掘、预测算法、聚类分析、机器学习、自然语言处理等技术手段，设计与现有数据配套、符合业务应用的动态作用机制，实现对应需求房产与土地供应的精准传导刻画（图3）。

表1 房产市场交易标签

图3 土地供应与房地产市场传导机制框架

土地作为参与房地产供应的重要生产资料和调控手段，主要通过对房、地的画像利用其位置信息、房企开发商等共同属性标签进行关联，使土地能够为房地产市场的需求提供有效供给、去库存等房地产市场的宏观调控，同时将厘清地价作为房价的成本要素，对房价的影响作用，对未来土地供应提供的房产价格进行预测。

不动产数据具有实时性、全面性及空间性，利用不动产数据可以及时掌握各类不动产的状态，大数据可以辅助不动产数据更好地表达社会、经济动态变化，根据需要利用以下数据构建分析数据体系（表2）。

5 结论

“不动产+大数据”的数据体系不仅精准、及时、全面地反映“土地—房产”之间的变化，还为明确房地产市场的供应和需求之间的相互作用研究提供系统化的数据支撑。研究中搭建的“供需”标签，准确地刻画了房产需求与土地供应的对象、数量、位置、频率等信息。下一步研究中，将在试点区进行实证研究，通过验证进一步完善框架。基于“用户画像”的标签体系，不仅可以刻画房地关系，还可以拓展到去库存、有效供给和抑制房地产泡沫等方面，为建立适应国情、省情、市情地房地产市场健康稳定长效发展机制提供理论与数据支撑。

表2 研究数据来源及描述

[1] 高波,毛丰付.房价与地价关系的实证检验:1999—2002[J].产业经济研究,2003(3):19-24.

[2] 郝寿义,倪鹏飞.中国城市竞争力研究:以若干城市为案例[J].经济科学,1998(3):50-56.

[3] 杜建华.基于VAR模型的房价与地价关系的实证研究[J].经济研究导刊,2012(7):120-122.

[4] 况伟大.房价与地价关系研究:模型及中国数据检验[J].财贸经济,2005(11):56-63.

[5] 况伟大,KUANGWei-da.房产税、地价与房价[J].中国软科学, 2012(4):25-37.

[6] 黄健柏,江飞涛,陈伟刚.对我国房价与地价相互关系的再检验[J].预测,2007,26(2):1-7.

[7] 严金海.中国的房价与地价:理论、实证和政策分析[J].数量经济技术经济研究,2006,23(1):17-26.

[8] 李玲,朱道林,胡克林.北京市城区房价与地价关系初探[J].资源科学,2011,33(9):1684-1690.

[9] 高丽坤,李淑杰,王锡魁,等.土地供应市场与房地产市场关系的研究[J].华中农业大学学报(社会科学版),2006(1):25-27.

[10] 陈会广,刘忠原.中国普通住宅房价与地价关系的理论及实证研究[J].资源科学,2011,33(5):856-862.

[11] 林方磊.控制供地总量的难点及对策[J].中国土地,1998(7):7-9.

[12] 张娟锋,贾生华.关于城市住宅土地价格差异决定因素的理论评述[J].海南金融,2007(10):10-13.

[13] 郑娟尔.基于Panel Data模型的土地供应量对房价的影响研究[J].中国土地科学,2009,23(4):28-33.

[14] 贾生华.房地产:政策形势、市场走势与行业态势[J].中国房地产业,2012(5):40-43.

[15] 丰雷,卢静.2004年以来中国房地产用地市场发展及房地产用地价格决定因素分析[J].中国土地科学,2013(4):29-35.

[16] 张洪,金杰.中国省会城市地价空间变化实证研究:以昆明市为例[J].中国土地科学,2007,21(1):24-30.

[17] 张淑娟,刘艳芳.城市土地使用权招标出让的博弈分析[J].武汉大学学报信息科学版,2005,30(11):1012-1015.

[18] 建设部,发展改革委,财政部,等.关于调整住房供应结构稳定住房价格的意见[J].住宅科技,2006(6):3-5.

[19] 陈光,濮励杰,周寅康.城市土地供应与房地产业可持续发展[J].国土资源,2004(4):28-30.

[20] 乔叶建.城市土地供应结构优化研究[D].青岛:山东科技大学, 2010:3-5.

[21] 白忠菊.城市快速扩张中土地供应对房价及其波动的影响研究:以重庆市为例[D].重庆:西南大学,2013:5-7.

[22] 住房城乡建设部国土资源部关于加强近期住房及用地供应管理和调控有关工作的通知[DB/OL].(2017-04-06)[2017-04-07].http://www.mohurd.gov.cn/wjfb/201704/t20170406_231387.html.

[23] 王智囊.基于用户画像的医疗信息精准推荐的研究[D].成都:电子科技大学,2016:5-7.

[24] 谢慧志.基于用户选购及在线点评行为的门店画像研究[D].广州:华南理工大学,2016:3-4.

[25] 王丹.基于主题模型的用户画像提取算法研究[D].北京:北京工业大学,2016:2-5.

[26] 黄文彬,徐山川,吴家辉,等.移动用户画像构建研究[J].现代情报,2016,36(10):54-61.

[27] 吕辉,许道强,仲春林,等.基于电力大数据的标签画像技术与应用研究[J].电力信息与通信技术,2017(2):43-48.

[28] 陈志明,胡震云.UGC网站用户画像研究[J].计算机系统应用, 2017,26(1):24-30.

Framework of Big Data Analysis with Regard to Transmission Mechanism between Land Supply and Real Estate

GU Ji-rong1, LIU Yin1, FENG Yicong2, WANG Lulu1, FANG Conggang3,4, LAN Jingzhi4
(1.The Faculty Geography Resources Sciences, Sichuan Normal University, Chengdu 610101, China; 2. Information Center of Land and Resources Department of Sichuan Province, Chengdu 610072, China; 3. The Information Center of Land and Resources Chengdu, Chengdu Sichuan 610032, China; 4. Chinese Academy of Land and Resource Economics, Beijing 101149)

If we can integrate the rich information about society, economy and ecology on the Internet with the data of real estate,the application scope of real estate data will be better developed. Through using the technology of buyer personas portrait, this study has extracted the information about registration type, spatial location, land use classi fi cation, and right holders from the registration of real estate database. In addition, it has also fetched the information about real estate prices, the state of the infrastructure, and area conditions with the help of big data on the network. On this basis, this study has drawn a portrait for land supply and property demand.In doing so, the labels for housing demand, land supply, and the supply and demand signal are established; thus realizing interaction between supply and demand. As a result, the framework of transmission mechanism between land supply and real estate market is set up. The research results can accurately, timely and fully re fl ect the change between land and property, which can provide systematic data support for clearly de fi ning the interaction between supply and demand of real estate market.

the supply and demand signal; relations between house and land; registration of real estate; big data

F301.2；F062.1

A

1672-6995（2017）12-0049-07

2017-04-07；

2017-05-02

四川省国土资源厅科技项目“基于大数据技术的不动产登记数据信息挖掘与决策支持机制研究”(201707)

辜寄蓉（1968—），女，四川省成都市人，四川师范大学地理与资源科学学院教授、硕士生导师，理学博士，长期从事地理信息系统理论与应用研究。