4.5 房地产与建筑：估价与进度巡检

4.5 房地产与建筑：估价与进度巡检

房地产与建筑AI的两大落点是自动估价（可比房源匹配与价格模型）与工程巡检（无人机影像识别施工进度与安全隐患）。本节审计它的成色：估价的黑箱与可解释压力、巡检的"拍照代替不了判断"、以及冷热不均的市场如何摧毁模型。

一个说不清的价格

自动估价模型给出某套住宅的估值，比业主心理价位低了百分之十五。业主质问依据，系统只能回答"模型综合了小区、面积、楼龄等因素"——这不是解释，是解释的姿势。估价场景的特殊性在于它处在高风险交易的中心：抵押贷款按估值放款，估值系统性偏低会压垮交易，偏高会造成信贷风险。所以银行对估价模型的第一要求不是精度，是可解释：每份估值要能拆出可比案例（哪几套成交房、各调整了什么系数）。纯黑箱模型在信贷场景几乎过不了风控评审，这一条审计门槛淘汰了大批技术演示。

def avm(subject, comps):
    """示意：可解释的自动估价——估值必须能拆回可比案例。"""
    adj_total = 0.0
    for comp in comps:
        adj = 0.0
        adj += (subject["面积"] - comp["面积"]) * comp["单价"] * 0.85   # 面积修正
        adj += (comp["楼龄"] - subject["楼龄"]) * 3000                   # 楼龄修正
        adj += (subject["楼层差"] - comp["楼层差"]) * 20000               # 楼层修正
        comp["调整后价"] = comp["成交价"] + adj
        adj_total += comp["调整后价"]
    return adj_total / len(comps), comps

subject = {"面积": 92, "楼龄": 8, "楼层差": 2}
comps = [
    {"小区": "同小区A栋", "面积": 88, "楼龄": 9, "楼层差": 1,
     "成交价": 4_300_000, "单价": 48_800},
    {"小区": "隔壁小区", "面积": 95, "楼龄": 12, "楼层差": 3,
     "成交价": 4_450_000, "单价": 46_800},
]
value, detail = avm(subject, comps)
print("估值: %.0f 万元" % (value / 10000))
for c in detail:
    print("  可比: %s, 调整后 %.0f 万" % (c["小区"], c["调整后价"] / 10000))
# 每一分估值差异都能指回具体可比案例与修正系数——
# 这种模型精度未必最高，但它是唯一能在信贷评审桌上活下来的形态。
​

冷热不均的市场摧毁模型

估价的第二大审计点是市场状态切换。模型在平稳市场训练，遇到急涨急跌的行情，可比案例的成交价全部过期，估值系统性滞后。审计时要问：模型多久重估一次、遇到市场急变有没有人工熔断（暂停自动估值、转人工评估期）。二〇二一年前后部分城市的快速波动期，就是自动估值模型的滑铁卢——不是算法退步，是分布变了。

工地上的巡检

建筑工地的AI巡检主流形态：无人机或固定摄像头定时拍摄，模型识别安全隐患（未戴安全帽、临边防护缺失）和施工进度（楼层完成度、机械台班）。成色的分水岭在于它替代的是哪个动作。识别"没戴安全帽"替代的是肉眼巡逻，这一层技术成熟、误报可控，成色普遍不错。但"施工进度百分之六十二"这类判断，模型只能从影像数出可见工程量，管线预埋、隐蔽工程这些看不见的部分全靠台账——用影像进度替代台账进度，是这类项目最常见的注水点。

def progress_report(image_progress, ledger_progress):
    """示意：影像可见进度与台账进度的口径差。"""
    visible = image_progress            # 模型从影像识别的可见工程量
    recorded = ledger_progress          # 施工台账含隐蔽工程
    gap = recorded - visible
    status = "口径正常" if gap < 0.10 else "隐蔽工程占比异常，需现场核查"
    return visible, recorded, gap, status

for pair in [(0.62, 0.68), (0.62, 0.81)]:
    v, r, g, s = progress_report(*pair)
    print("影像进度 %.0f%% | 台账进度 %.0f%% | 差 %d 个点 | %s" % (v*100, r*100, g*100, s))
# 第二组差距 19 个点：要么台账虚报，要么影像漏判，两种都需要人到现场。
# 巡检AI的正确定位是"发现要去现场的信号"，不是"免于到场"。
​

图：估价模型的黑箱压力与可解释出口

补充一点市场结构的变化：二手房交易平台把自动估价直接展示给消费者后，估价模型多了一个此前没有的反馈效应——挂牌价向模型估值收敛，模型又在收敛后的成交数据上重训。这不是恶性循环，但审计时要意识到模型已经从"预测市场"部分变成了"构成市场"，评估它的误差时不能再用旁观者口径。

结果、解读与变式

背景（说不清的价格）、操作（可解释估价原型、进度口径对照）、结果（黑箱在信贷场景的死刑与巡检的定位）完整。解读：这个现场的成色规律是"高风险交易强制可解释"与"可见性边界要诚实"。变式：二手车残值估计、设备资产评估、保险标的估值是同构场景——凡是要进信贷或合同的可信数字，可解释性都是硬通货。下一节把五个现场按误伤可逆性排成一列，收束第4章。

估价数据的新水源

传统估价模型的数据来自成交备案，滞后且稀疏。新的数据水源正在加入：挂牌价与调价记录（反映卖方预期）、带看与成交转化（反映需求热度）、以及租金回报率（提供估值锚）。多水源混合提升了时效性，但也带来口径治理问题——挂牌价系统高于成交价，直接混用会让模型整体偏乐观。审计估价系统的数据章节时，要看每个特征有没有标注口径与滞后天数，混合未经口径处理的多源数据是这类项目最常见的技术债。

巡检之外：安全的激励兼容

工地安全巡检还有一个超出技术的观察：识别出的违规要与激励机制兼容才有用。如果每次AI抓拍直接关联罚单，一线的应对方式是躲避摄像头而不是消除隐患——摄像机成了新的猫鼠游戏道具。效果更好的用法是把抓拍数据聚合为班组安全趋势，用于奖励改善而非惩罚个体。同一个模型，接不同的激励设计，落地效果天差地别；审计巡检项目时，与其问识别精度，不如先问抓拍结果流向了哪里。