AI 用于房地产交易筛选：从地块到投资委员会决策

1. 在自动化工作之前先定义决策

筛选系统需要精准的决策委托。“寻找有吸引力的土地”过于宽泛。有用的委托应界定地理范围、允许的策略、单笔投资规模、持有期、回报目标、风险限额、开发能力、融资约束、可持续性要求，以及升级审查所需的证据。系统应知道它是在筛选存量资产、开发地块、改造机会、运营平台、困境敞口还是资产组合。每一类都有不同的分析单位和不同的估值路径。

第一项输出是初筛决策，而不是最终估值。一套实用的决策集包括：拒绝；暂缓以待补充证据；推进至初步承销；在列明例外的情况下推进；或转交专家复核。系统绝不应为了得出上述某一结果而编造缺失事实。缺失的产权摘录、不清晰的边界、缺失的通行权或未经核实的公用设施容量，都会成为带有责任人和截止期限的证据缺口。一项机会可以仍然具有吸引力，而其决策状态仍为“暂缓以待补充证据”。

重要性应决定审查深度。小型、标准化的收购可采用简明筛选。若开发地块的价值取决于重新分区、电网接入、场地修复和预售，则在首次投资委员会讨论前需要更深入的审查。委托应识别哪些变量可在初筛阶段估算，哪些需要权威证据。这一区分可防止早期模型获得已完成尽职调查结论的地位。

决策责任人同样需要明确指定。机器可以汇编、比较和计算。投资专业人士仍需负责解释该机会为何符合委托、哪些证据可靠、何处仍存在不确定性，以及什么可能使建议失效。RICS AI 标准将专业判断和监督置于测量实践中负责任使用的核心。[3] NIST 同样将问责、透明度和有记录的风险管理视为生命周期要求。[4][5]

表 1. 由 AI 支持的房地产筛选最低证据登记表

所需证据因司法管辖区、资产类型和决策重要性而异。

2. 创建一份权威地块记录

地块身份是筛选的基础。房地产机会会以宣传册、坐标、地块编号、产权引用、规划申请、估值报告和卖方电子表格等形式出现。名称和边界在不同文件中可能不一致。AI 系统可以快速提取标识符，但提取准确并不能证明这些文件指向同一合法权益。系统应创建一份权威地块记录，并保留每个来源标识符作为别名，直到合格审核人员解决冲突。

记录应包含司法管辖区、登记机关、产权或同等引用、地块或宗地编号、地理空间几何、权属、所有权、已登记权利、限制、地役权、押记以及证据的生效日期。若多边形仅为示意，则应在运营数据模型中继续标注为示意。HM Land Registry 解释称，INSPIRE 索引多边形显示示意性的永久产权范围并提供唯一标识符；它们支持发现与匹配，而产权证据仍是单独查询事项。[7] 在任何公共地图、经纪人标注点和登记记录具有不同法律地位的市场中，也应采用类似的严格做法。

实体解析应采用确定性和概率性方法。精确的登记标识符优先。标准化地址、坐标、开发商名称和面积测量可支持匹配。系统应公开其匹配评分及理由。审核人员应能看出两条记录因共享产权参考而合并，或较弱匹配依赖邻近性和相似地址。当两个候选对象仍都有可能时，应禁止自动合并。

版本控制很重要，因为地块可能被细分、合并、重新编号或转让。记录应保留生效日期历史，且不应覆盖早先决策材料中使用的几何数据。可复现的筛选会保留投资委员会审议日使用的证据快照以及后续更新。这支持投后审查、质疑和审计。

该图展示控制阶段；每次转换均保留来源、日期、许可证、置信度和审核人。

3. 将硬性门槛与加权吸引力分开

如果允许所有变量相互补偿，筛选就会失效。较高的预期回报不应抵消合法通行权的缺失。强劲需求不应弥补无法解决的权属冲突。因此，该框架将硬性门槛与加权因素分开。硬性门槛决定机会在现有证据下能否推进。加权因素用于比较已通过这些门槛、或具有明确通过路径的机会。

硬性门槛通常涵盖委托契合度、经核实的地块身份、可转让权益、许可用途或可实现用途、合法通行权、关键基础设施、禁止性环境风险、交易对手授权以及最低数据充分性。门槛状态可分为通过、不通过、有条件或未知。有条件状态需要明确的路径、决策日期、责任人和成本。未知状态不应转换为中性评分。

随后，加权因素评估市场深度、微观区位、产品契合度、供应、可实现定价、成本确定性、开发计划、融资、下行保护、退出流动性、战略选择权价值和执行能力。权重应反映基金或公司的委托。权重应在团队看到偏好交易之前获得批准，因为看到结果后再调整权重会诱发确认偏误。

评分应保持可解释性。十分制市场评分需要界定清晰的锚点。记录应显示哪些观察结果推动了该评分、其置信度以及审核人。机器生成的叙述可以概括证据，同时源链接和结构化数值仍可在叙述下方获取。没有证据的评分，是将观点包装成数据。

评分和权重为假设值；未知的硬性门槛会阻止自动推进。

表2. 硬性门槛和加权因素示例

阈值是治理层面的选择；它们需要按具体委托获得批准，并定期审查。

4. 在构建特征之前先搭建数据质量阶梯

筛选团队应先对证据进行分类，再提取预测特征。有用的维度包括权威性、交易状态、时效性、空间精度、资产可比性、完整性、许可、来源和可复现性。已完成的已登记交易通常比广告具有更高的定价权重。当前官方规划记录与经纪人的解读具有不同状态。技术上丰富的供应商数据集仍可能不适用，如果其许可禁止预期用途，或其转换过程无法追溯。

官方数据集也有局限性。HM Land Registry Price Paid Data 包含已提交登记的住宅销售，按月更新且可能修订。发布方指出，当前月份作为单独视图并不完整，且不保证数据准确性或对特定用途的适用性。[6] 沙特 REGA 的房地产指标区分近期原始数据与经精炼的历史指标；筛选模型应保留这种区分，而不是将两者视为同等确定。[10] 迪拜的开放交易数据提供广泛字段并每日刷新，而实时估值仍需进行交易状态核查、单元匹配和适当市场分析。[8][9]

数据血缘记录应记录原始来源、提取时间、许可、原始值、标准化值、转换代码、置信度、审核人和在模型中的用途。派生数据应保留其父级数据。如果系统计算到地铁站的距离，记录应标明场地几何、车站数据集、坐标系、路径或直线方法以及计算版本。这样可以在源头纠正错误，并识别每个受影响的筛选结果。

数据时效性需要一项政策。产权、规划、交易、租金、利率、建造成本和灾害数据的变化速度不同。系统应标记超出批准时效的记录，并应区分“未发现变化”和“未核查”。提交委员会的材料包应说明其证据截止日期以及任何待刷新的来源。

5. 筛查规划、出入条件、市政配套和物理约束

规划和基础设施往往决定表面土地价值能否实现。筛查应记录当前用途、开发参数、高度、密度、退线、停车、保障性住房或社区义务、分期、设计条件、历史保护、环境限制以及拟议方案所需审批。许可建设范围是法律和技术起点；它并不自动成为商业上可交付的最高价值方案。

出入条件应作为法定权利和运营路线进行检验。场地可能紧邻道路，却缺乏足够的已登记通行权。施工物流通行可与永久出入条件不同。重型车辆、转弯几何、桥梁限重、学校交通、穿越邻地的权利和临时工程都可能影响工期和成本。筛查应说明证据等级，而不是根据地图输出二元“可通行”结论。

市政配套需要项目特定证据。电网、供水、排污、区域供冷、电信和交通容量可能形成长周期依赖。附近有网络并不证明容量或接入日期。筛查记录应记录供应商往来函件、申请状态、所需升级、费用、条件、交付日期和责任方。数据中心、工业或高密度住宅方案可能具有经济吸引力，却仍会因关键接入不可用而无法实现目标进度。

物理和环境筛查应结合官方地图、案头研究、现场报告和专家判断。英格兰长期洪水风险服务在有数据的情况下涵盖河流、海洋、地表水、水库和地下水风险，同时明确说明其不预测单个物业是否会遭受洪水。[11] 这一局限性说明了一项通用控制：区域层面的灾害数据可以触发调查和情景成本；不应将其作为地块特定工程证据呈现。

6. 建立可比证据置信度阶梯

可比分析应从证据状态开始。置信度最高的证据通常是经核实的公平交易，且其法定权益、用途、开发状态、位置和日期真正可比。随着证据转向未经核实的交易报告、过时交易、不同权益、存在重大差异的开发权、要价和传闻性迹象，置信度会下降。系统应同时保留观测值和置信等级。

匹配过程应可解释。它可以使用地理位置、许可用途、产权、容积率、总建筑面积、场地条件、基础设施、规划状态、交易日期、买方特征和特殊条件。每个拟议可比案例都应说明其为何被选中以及为何可能存在差异。审核人可以拒绝匹配、调整匹配，或将其作为边界而非点估计保留。

调整应透明并避免重复计算。如果可比案例已就规划状态进行调整，开发模型不应在未对账的情况下另行加入相同的规划溢价。模型应说明调整是直接有证据支持、从配对交易推断、由估值师估计，还是作为情景假设使用。IFRS 13 的公允价值框架强调当前市场条件下市场参与者的假设，而 IVS 明确重视数据、输入、模型、文档和报告。[1][2]

交易清淡的市场需要更广泛的证据集和更大的区间。证据可包括土地交易、现有资产价值减去改造成本、开发商利润率、租金资本化、重置成本、剩余法估值和期权价值。系统应说明每种方法如何与标的场地相关。多个薄弱方法得出相同结果，并不能形成有力证据。

置信度取决于核验、相关性和当前市场状况；该阶梯并不规定估值结论。

表 3. 可比案例选择、调整和置信度记录

每一行应保留观测值、调整逻辑和来源链接。

7. 建立透明的剩余价值与开发模型

土地价值往往是剩余价值。模型估算建成项目的价值，再扣除建造成本、专业费用、基础设施、融资、销售成本、适用税费、不可预见费、所需开发商回报及其他义务。结果对时间安排、密度、价格、成本、去化、融资和退出假设高度敏感。AI 可以填充并测试模型，而模型结构和决策逻辑应保持对审阅者可见。

基础方案应以规划和技术证据为起点，而不是以期望回报为起点。户型组合、净可售或可租赁面积、效率、分期、开工日期、建设周期、销售或租赁曲线以及交付应相互核对一致。成本输入应说明价格基准日、范围、除外项、通胀、采购方式、不可预见费，以及是否包含公用设施、公共空间、融资和开发商管理费用。

收入假设应将市场证据与产品策略区分开来。可比交易可以支持当前定价区间。拟议方案可能因规格、景观、品牌、户型面积、时机和付款计划而需要溢价或折价。模型应展示每项调整的证据，并应同时测试去化和价格。延长销售周期的高价格假设可能通过融资和持有成本降低价值。

融资应反映实际资本结构。土地付款时间、股权、优先债务、夹层融资、预售回款、提款条件、利息、费用、契约和最低现金决定流动性。项目可能显示正净现值，但仍会失败，因为它无法满足峰值现金需求。筛选表应列示最大融资需求、时间安排和契约余量，并与回报指标并列。

模型应核对名义假设与实际假设、税前与税后指标、含杠杆与不含杠杆回报以及估值日期。应说明输出的是土地价值、企业价值、股权价值、最高出价还是战略价值。这可防止投资委员会比较不可比的数据。

8. 展示情景、分布和决策敏感性

单点输出会掩盖不确定性。委员会需要基准情景、可信的下行情景、严重但可信的情景和上行情景，以及它们之间变化的假设。各情景应保持内部一致。若下行情景降低售价，却保持去化、债务利差、建造成本和退出收益率不变，则可能低估市场走弱的综合影响。

确定性敏感性分析揭示影响最大的变量。筛选表应测试价格、租金、收益率、建造成本、延迟、利率、密度、销售速度和不可预见费。双向表可以揭示交互作用，例如价格与成本或租金与退出收益率。阈值分析回答委员会的实际操作问题：使目标回报消失的价格跌幅、耗尽流动性的延迟，或使土地价值低于卖方预期的成本上升。

当分布和依赖关系有证据支撑时，概率分析可以增加价值。它不应将主观输入转化为表面上的统计真理。模型应披露分布选择、相关性、样本量、尾部处理，以及建模概率与观测频率之间的差异。扇形图可以显示不确定性在整个开发方案中如何扩大，以及资本保护最薄弱的环节。

决策应聚焦于可控条件。投资团队可以通过价格、递延对价、期权结构、规划条件、公用设施条件、排他性、成本分摊或分阶段收购来改善下行保护。当筛选表将风险与交易条款和尽职调查优先事项联系起来时，它就具有商业价值。

数值为假设性指数点；该图表展示的是不确定性的扩大与收窄，而非预测。

表4. 示意性一致情景组合

所有数值均为假设性，旨在展示模型治理，而非市场预测。

9. 验证模型并监控其表现

验证应与重大性相称，并应涵盖概念合理性、实施、数据、输出和使用。美联储2026年修订的模型风险管理指引强调基于风险的方法、明确的角色、验证、持续监控，以及对范围内银行机构供应商模型的理解。[12] 这些原则为任何重大筛选模型提供了有用的治理参考，尽管其法律适用性取决于机构和活动。

概念审查询问模型是否反映实际决策。基于已完成交易训练的分类器可能选择与已交割交易相似的地块，而不是创造价值的地块。历史成交数据还嵌入了选择偏差、市场状态和机构策略。验证应检验目标变量、特征和损失函数是否与投资委托一致。

实施审查测试提取、转换、公式、单位、货币、日期、关联、模型版本和接口。正确的方法可能因小数、坐标系统、重复记录或期间不匹配而失败。测试用例应包括普通地块、边界情形、缺失数据、相互矛盾的文件和对抗性输入。重大电子表格输出应与独立计算的基准核对一致。

结果监控将早期筛选与后续尽职调查、投标、收购和实际结果进行比较。有用的指标包括错误拒绝、错误推进、后期发现的证据缺口、可比对象覆盖、估值误差、成本和计划偏差、决策时间以及审查人员工作量。表现应按地域、资产类型、市场状态和数据可得性进行分群。模型整体表现良好，却可能在交易清淡的子市场中失效。

变更控制应识别新数据、代码、提示词、模型、阈值和接口。重大变更在生产前需要测试和批准。供应商更新不应悄无声息地进入决策流程。登记册应记录每个委员会材料包所使用的已批准版本以及回滚路径。

10. 治理生成式 AI 与文档提取

生成式 AI 可用于提取契约、规划条件、卖方陈述、报告发现和矛盾之处。其输出在关联至来源并按所需层级审查之前，应始终是建议性提取结果。系统应显示文件、页码、相关段落、提取置信度以及任何冲突来源。没有来源位置的摘要难以核实，不应驱动重大决策。

提示词和检索设计需要治理。系统应将检索限制在事项的已批准证据范围内，防止跨交易数据泄露，记录模型和提示词版本，并控制机密文件的访问。它应区分来源文件中包含的指令与经授权的工作流指令。文件可能包含对抗性或无关文本；提取流程应将其视为证据，而非操作授权。

可靠性测试应反映实际工作。基准可以衡量地块标识提取、规划条件分类、可比状态、数值提取、表格重建、单位换算、引用准确性以及在证据缺失时的弃答。基准应包括质量较差的扫描件、修订文件、相互冲突的附表以及相关情况下的多语言内容。

人工审核应以风险为基础。合格专业人员应审核重大估值输入、法律与规划结论、致命门槛状态、例外情况和最终建议。低风险行政字段在准确性已得到证明的情况下可采用抽样控制。当 AI 的输出在其范围内对专业工作产生重大影响时，RICS 要求由一名具名的合格测量师作出可靠性决定并记录在案。[3]

11. 设计投资委员会决策证据包

委员会证据包应使决策可复现。它首先说明委托适配性、拟议决策、金额、结构、回报区间和主要条件。随后，它呈现地块标识、硬性门槛、证据质量、市场与可比分析、开发概念、财务情景、融资、风险、尽职调查计划和申请的授权。每个重大数字都应链接到模型单元格和来源记录。

证据包应区分事实、专业结论和假设性建模假设。事实部分说明来源和生效日期。专业结论列明审核人和所考虑的证据。假设说明其责任人、理由、敏感性和有效期。这种结构使委员会能够在正确的层面上提出质疑。

例外情况应突出显示。证据包应列出未解决的门槛、缺失证据、模型局限性、覆盖决定、异议意见和延迟后果。推进建议可以以产权确认、公用设施容量、规划意见、成本验证或修订价格为条件。会议纪要应保留这些条件以及有权确认这些条件的人员。

决策工作流程还应防止自动化偏差。高分不应决定结果。委员会可以因集中度、声誉、能力或战略原因否决一个得分很高的地块。如果理由和条件已有记录，委员会也可以推进一个得分较低的地块，因为它具有有价值的选择权。届时，覆盖分析将成为模型监控的一部分。

该决策树规定升级机制；实际授权层级取决于组织已批准的授权框架。

表 5：决策权与控制记录

角色仅为示例，应与组织的授权体系和专业义务保持一致。

12. 假设性筛选案例演练

考虑一处假设性的42,000平方米城市边缘地块，拟用于混合住宅开发方案。卖方提供宣传册、坐标标记、概念体量和指示性价格。登记标识符已提供，但指示性地图与卖方平面图显示边界存在微小差异。系统提取两个几何图形，识别不匹配，并阻止自动面积归一化。法律审查确认已登记权益，并在地块推进前解释制图差异。

规划筛查识别出一项已获批的住宅用途指定、一个密度范围以及一项交通配套出资要求。概念方案接近密度上限。公用设施证据确认存在供水路径，而电网容量仍须经正式研究确定。因此评分卡将规划记录为通过但存在设计敏感性，并将电力记录为有条件。该条件有负责人、预计答复日期、申请成本和下行情景工期影响。

可比引擎找到34条候选记录。11条为要价，7条缺乏可靠的规划匹配，4条早于批准期限，3条无法与地块对应。9条留待详细审查。三项已核实交易获得高置信度，四项经透明调整后获得中等置信度，两项仅作为区间边界保留。审查人否决一项算法匹配，因为交通换乘枢纽带来了标的地块所不具备的区位溢价。

剩余法模型采用假设性的基准销售价格指数100、建筑成本指数100、三个月工期准备和7.5%的全包优先融资成本。下行情景结合价格指数91、成本指数110、九个月延迟和9.0%融资成本。严重情景采用82、120、十五个月和10.5%。这些数字展示了一致的情景设计，并非对任何市场的观察。

基准情景支持推进，而严重情景留下的股权价值很少，并造成显著更高的峰值融资需求。阈值分析表明价格、密度和施工延误主导决策。因此团队建议在具有约束力的报价前提出价格区间、公用设施容量条件、确认性成本审查和规划密度意见。委员会按这些条件将该机会推进至初步承销，并记录尚未批准最终估值。

该案例表明速度与控制可以如何相互强化。自动提取缩小证据集、识别冲突、准备评分卡并运行情景。人工团队解决法律地块问题、判断可比相关性、负责假设并设计交易条件。输出之所以更快，是因为审查人员专注于重大例外和商业决策。

13. 实施路线图

实施应从投资决策和证据模型开始，而不是广泛的技术采购。第一阶段梳理当前筛选工作流、决策权、数据来源、重复性错误、周期时间和结果。它确定一种交易类型和地理区域，其具备足够证据开展受控试点。团队定义硬性门槛、评分锚点、来源层级和最低限度的委员会材料包。

第二阶段建立地块记录、证据登记册和透明模型。如果现有电子表格的逻辑受控且接口经过测试，它们可以继续作为工作流的一部分。系统应首先自动化检索、提取、核对和缺失证据检测。只有在组织拥有稳定标签并能解释决策目标后，才应进行预测性排序。

第三阶段与经验丰富的审查人员并行运行新流程。试点记录提取准确率、错误匹配、缺失证据、审查人员修改、估值差异、决策时间和模型事件。团队设定验收阈值，并记录系统必须在何时不作出判断。独立质疑应审查定量模型和操作流程。

第四阶段引入受控的生产使用。访问、隐私、保留、供应商、网络、模型、许可和业务连续性控制均获批准。变更遵循发布流程。每份委员会材料包记录模型和数据版本。监测会将筛选决策与后续尽职调查及实际结果进行比较。

第五阶段在地区和资产类别上谨慎扩张。在英国住宅交易中验证过的模型，不应假定也适用于沙特工业用地、UAE 期房开发或美国生命科学用途改造。每次扩张都需要本地数据、法律与规划映射、基准案例、合格审核人员以及经批准的决策阈值。

14. 局限与结论

由 AI 支持的筛查不能替代产权调查、规划建议、勘测、估值判断、技术尽职调查、环境评估、融资分析或投资权限。公开数据和供应商数据可能不完整、延迟、被修订、仅获准用于有限用途，或不适合得出地块层面的结论。历史交易包含市场机制和选择效应。即使工作流程治理良好，交易清淡的市场和新型资产也可能产生宽泛的区间。

模型输出可能因来源错误、提取错误、实体解析错误、概念漂移、实施缺陷、目标不当、供应商隐性变更和人工自动化偏差而失败。治理通过数据血缘、验证、监控、独立质疑、弃权机制和记录在案的决策权限降低这些风险。它不能消除房地产投资中的不确定性。

该框架的商业价值源于有纪律的聚焦。团队可以更早拒绝明显不匹配的机会、更快识别缺失证据、一致地比较机会，并将专业注意力引向关键假设。投资委员会收到的是区间、证据质量、条件和下行情景，而不是一个看似精美却暗藏脆弱性的评分。

因此，一个强大的系统始于地块事实，将准入门槛与吸引力分开，对可比证据进行分级，对一致的情景进行建模，并让承担责任的业内人士保持掌控。其结果是，从机会到经得起质疑的决策有了更快路径，并且证据链在尽职调查、谈判、融资和投后审查过程中始终可用。

参考文献

1. 国际估值准则理事会，《国际估值准则》，2025年1月31日生效，包括 IVS 104、IVS 105、IVS 106、IVS 400 和 IVS 410。 https://ivsc.org/standards/
2. 国际财务报告准则基金会，IFRS 13《公允价值计量》。 https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/
3. 皇家特许测量师学会，《测量实践中负责任地使用人工智能》，专业标准，2026年3月9日生效。 https://www.rics.org/content/dam/ricsglobal/documents/standards/Responsible-use-of-artificial-intelligence-in-surveying-practice_September-2025.pdf
4. 美国国家标准与技术研究院，《人工智能风险管理框架》（AI RMF 1.0），NIST AI 100-1，2023年1月。 https://doi.org/10.6028/NIST.AI.100-1
5. 美国国家标准与技术研究院，AI RMF 核心。 https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
6. HM 土地登记局，成交价格数据下载。 https://www.gov.uk/government/statistical-data-sets/price-paid-data-downloads
7. HM 土地登记局，INSPIRE 索引多边形空间数据。 https://www.gov.uk/guidance/inspire-index-polygons-spatial-data
8. 迪拜土地局，房地产数据。 https://dubailand.gov.ae/en/open-data/real-estate-data/
9. 迪拜数字局，迪拜土地局交易开放数据。 https://www.dubaipulse.gov.ae/data/dld-transactions/dld_transactions-open
10. 沙特房地产总局，沙特房地产指标。 https://rei.rega.gov.sa/en
11. 英国政府与环境署，查询英格兰某地区的长期洪水风险。 https://www.gov.uk/check-long-term-flood-risk
12. 美国联邦储备系统理事会，SR 26-2，《模型风险管理修订指引》，2026年4月17日。 https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm
13. 美国国家标准与技术研究院，AI RMF 操作手册。 https://airc.nist.gov/airmf-resources/playbook/
14. 皇家特许测量师学会，房地产估值中的 AI，全球指引项目。 https://www.rics.org/profession-standards/rics-standards-and-guidance/sector-standards/valuation-standards/ai-in-real-estate-valuation
15. 英国土地登记局，公开数据。 https://www.gov.uk/government/publications/hm-land-registry-data/public-data
16. 美国联邦住房金融局，《自动估值模型质量控制标准》，最终规则信息。 https://www.fhfa.gov/regulation/federal-register/rin-2590-aa62
17. 国际清算银行，《金融中的人工智能与信息处理》，第1194号工作论文，2024年6月。 https://www.bis.org/publ/work1194.htm