一线与二线产区标准图：统一口径的房地产板块评估框架

做房地产投资这一行十个人里有八个问过同一个问题一线还进不进二线里哪几个能接棒。问得多了我发现真正让人亏钱的往往不是判断错方向而是一线与二线产区标准图根本没建起来——看一线用一套逻辑看二线用另一套逻辑两边数据口径都不一样最后得出的结论自然没法放在一起比。所谓标准图说白了就是把城市能级、板块成熟度、供需节奏这些分散信息压缩成一张口径统一、可以横向对齐、能反复复用的评估图谱。它不是某个软件里的炫酷可视化而是你每次决策前必须先对齐的那把尺子。这篇内容适合三类人看一是在一线和二线之间摇摆、想找一套统一比较框架的投资者二是手上有多城市在看、但每次都得从头调研的分析人员三是刚开始接触区域研判、被各种热销榜潜力榜绕晕的新手。我会把标准图从指标体系怎么砍、权重怎么定、数据口径怎么统一到代码怎么跑、图怎么看、哪几个地方最容易翻车全部拆开讲。1. 先把标准图这三个字说清楚它解决的是对齐问题很多人一听标准图就想到热力图、想到满屏的红黄绿。我一开始也这么理解后来发现方向偏了。图只是最后的呈现形式真正有价值的是前面那套统一的打分口径和分级规则。没有口径图画得再漂亮也只是把错的东西可视化了一遍反而更容易骗自己。1.1 从逐个城市单独研究到一张表放在一起比绝大多数人的调研方式是串行的这周研究一线某板块下周研究二线某板块每次都是从头收集数据、从头建立判断。问题在于人脑没有记忆锚点——你上周看到的去化周期18个月和你这周看到的去化周期12个月在没有统一基准的情况下你根本不知道哪个更紧张因为这两个数字背后的统计口径可能完全不同。标准图的核心动作是把这个串行过程改成并行先把所有候选板块的关键指标拉进同一张表再用同一套规则打分、同一套规则分级。这样做的直接好处是可比性。一个二线板块的库存压力到底算高还是低不再是我觉得挺高而是它在这一批样本里排在倒数20%。有了分位数判断就从主观感受变成了相对位置。我见过不少人在这一步省事直接把各城市的官方去化周期填进表里对比结果被口径差异坑得很惨。有的是按近6个月月均成交算有的是按近12个月算有的统计范围含保障房有的只含商品住宅有的算的是取证未售有的是开工未售。三个差异叠加同一批库存能算出相差半年以上的周期。所以标准图的第一原则是指标名可以一样口径必须你自己重新定义一遍并写死。1.2 标准图的三层结构城市层、板块层、项目层我在实际使用中把标准图拆成三层每层的粒度和用途完全不同混在一起用必出问题。第一层是城市层解决这个城市值不值得进的问题。这一层的指标偏宏观人口净流入、产业结构、土地供应节奏、整体库存水位。它的更新频率最低一个季度看一次足够。第二层是板块层解决进了这个城市钱该投在哪个片区的问题。这一层指标偏中观轨道交通覆盖、公共资源密度、二手房流动性、板块内新增供应。更新频率按月度或者按供地节奏走。第三层是项目层解决具体拿哪个项目的问题。这一层已经脱离了标准图的范畴进入个案测算包括地价、户型、竞品、去化速度等。提醒把三层指标混着打分是最常见的崩盘点。用城市层的GDP增速去评价一个板块或者用板块层的轨交密度去否定一个城市都是拿显微镜当望远镜使。我建议的做法是城市层做筛选进或不进的开关板块层做排序先投哪个后投哪个项目层做验证这个价格是否成立。三层各有各的分级阈值互不越界。下面要讲的指标体系、权重、代码主要针对的是城市层和板块层这两层。2. 一线和二线为什么必须共用一张图而不是各搞一套这个问题我被问过很多次也见过不少团队的做法一线一套模型二线一套模型各自独立运行。听起来很专业实际上把两个结果放一起就废了——你没法回答是加仓一线某板块还是加仓二线某板块这个最关键的资源配置问题。2.1 两套体系带来的错位比较陷阱假设一线模型里的合格线是去化周期低于15个月二线模型里的合格线是低于20个月。这个设定的初衷是合理的二线市场本来就该给更宽松的容忍度。但问题出在决策瞬间——当你手里只有一笔钱要在一线某板块去化16个月和二线某板块去化18个月之间选按各自的模型两个都不合格按放宽后的标准两个都合格。你失去了排序能力。我在早期就吃过这个亏。当时给二线单独设了更宽松的阈值结果一堆板块都被标成健康等真正投进去才发现里面至少三分之一是看起来健康——成交是靠以价换量撑起来的一旦价格企稳量就没了库存压力会在半年后集中爆发。正确的做法是同构不同权指标框架完全一样评分逻辑完全一样只在权重和分级阈值上做区分。这样两个城市/板块算出来的分数是在同一把尺子上的可以直接排序。至于一线和二线的绝对水平差异交给分级阈值去处理而不是交给两套模型去处理。2.2 一线看轮动节奏二线看内部分化同一个框架之下一线和二线的观察重点其实是不同的这一点必须提前想清楚否则权重定不准。一线城市的典型特征是总量紧、结构分化大。供应极度稀缺所以库存指标意义有限真正的差异体现在板块之间的轮动顺序上核心区先动然后是次核心最后是外溢。所以一线的标准图要重点看板块成熟度与价格梯度的匹配关系也就是这个板块现在的价格是否已经透支了它下一轮的成熟度提升。二线城市的典型特征是总量宽松、单核虹吸明显。一个二线城市内部往往只有一个或两个板块能持续吸引人口和产业其余板块是陪跑的。这时候标准图要看的是人口与产业的实际兑现度而不是规划文件里的美好蓝图。我在实际操作中会把规划已落地的比例单独列成一个扣分项规划越宏大、落地越少的板块扣分越狠。用一个表能直观看出两条线的关注重心差异观察维度一线侧重点二线侧重点共同指标人口增量质量高学历、高收入增量规模与持续性近3年常住人口年均净增产业存量产业升级新增产业落地兑现单位面积企业密度供应供给弹性能释放多少地供地节奏与库存消化近3年宅地成交建面库存结构性库存户型、总价段总量库存与去化周期狭义库存/月均成交流动性二手房成交周期二手挂牌量与成交量比成交/挂牌比这张表的用法不是打分而是校验当你的总分和某一侧的侧重点明显矛盾时说明权重设错了得回去调。3. 指标体系怎么从十几个候选砍到六个砍的逻辑是什么指标体系最容易犯的错不是漏指标而是指标太多。我见过一份评估表列了23个指标每个权重都差不多最后算出来的分数基本等于平均值区分度为0。这不是评估这是把所有板块都拉平。3.1 相关性太高的指标必须合并否则等于给同一个因素重复加权砍指标的第一刀砍向高相关性。举几个典型例子GDP总量和第三产业占比高度相关前者几乎不提供额外信息还容易让大而弱的城市虚高。轨交站点数量和轨交覆盖人口高度相关两个都放进去等于把交通因素的权重翻倍。二手房挂牌量和二手房成交量单独看都没意义必须合成成交/挂牌比才能反映流动性。我的处理原则是同一逻辑链上的指标只留一个或者合成一个比值型指标。比值型指标还有一个隐藏好处——它天然做了规模标准化不会因为城市体量大就自动得高分。砍完之后我一般会留下六个核心指标覆盖人口、产业、交通、供应、库存、流动性六个互不重叠的维度。这六个维度基本能解释一个板块80%以上的投资价值差异剩下的20%属于个案因素交给项目层去处理。3.2 权重不是拍脑袋用去化周期做反向校验权重怎么定我踩过的坑最多。早期我是按重要性排序直接赋权人口给30%、产业给25%、其余分摊。结果发现这套权重在一线完全失效——一线的分数被人口和产业拉得极高几乎没区分度因为每个一线板块的人口和产业都不差。后来我改成反向校验法思路是先用一组初始权重算分然后拿实际去化周期作为外部验证变量看分数和去化周期的相关性。如果相关性弱说明权重设错了需要调整如果某个指标加进去之后相关性反而下降说明这个指标是噪音应该剔除。这套方法的逻辑是去化周期是市场用真金白银投票出来的结果它比任何主观判断都更接近真相。你的打分体系如果连哪些板块卖得快、哪些卖得慢都解释不了那这套体系就没有预测力。具体操作上我会拉30到50个历史板块样本用它们的当前分数去回归实际去化周期。相关系数低于0.4就重调权重0.6以上算合格。这个门槛不是理论值是我自己反复试出来的经验值样本量小于30的时候这个门槛要放宽因为小样本的相关系数本身波动就大。调整后的权重大致是这样一个结构维度指标一线权重二线权重方向人口近3年常住人口年均净增/常住人口20%30%正向产业单位面积规上企业营收20%25%正向交通800米内轨交站点覆盖人口占比20%15%正向供应近3年宅地成交建面/近3年成交面积15%10%负向库存狭义库存/近6个月月均成交15%10%负向流动性二手住宅成交套数/挂牌套数10%10%正向一线把权重压在人口和交通上是因为一线的核心变量是稀缺性人口密度和轨交覆盖直接决定了稀缺程度二线把权重压在人口和产业上是因为二线的核心变量是兑现度规划再漂亮人和企业不来就是空的。供应和库存在二线反而降权因为二线的供应弹性大短期库存高不一定代表长期风险。4. 数据口径统一标准图百分之八十的失败都发生在这里指标选对了、权重定好了图还是画不对绝大多数时候问题出在数据口径上。这一节我想讲得细一点因为这是最枯燥、也最容易翻车的地方。4.1 库存与去化周期的三种口径差出来的可能是半年去化周期这四个字至少有三套常见算法结果差异巨大。第一套是狭义库存法取证未售面积除以近6个月月均成交面积。这是最灵敏的口径反映的是已经具备销售条件但还没卖掉的量。缺点是它会低估真实压力因为大量已开工未取证的项目没算进去。第二套是广义库存法已开工未售含未取证除以近12个月月均成交面积。这个口径更接近真实供应压力但分母用了12个月对市场变化反应迟钝遇到成交量突然下滑时会严重低估风险。第三套是土地存量法已成交未开发的宅地建面折算后加进去。这个口径最全但误差也最大因为土地从成交到形成有效供应中间的时间差可能有三年以上而且不少地块会因为各种原因迟迟不动工。我的做法是三套都算但只把狭义库存作为打分主指标另外两套作为风险提示。理由很简单打分需要的是可比较、可重复、灵敏的指标广义和土地存量口径在不同板块之间的数据完整度差异太大放进去会引入噪音。但风险提示不能少——如果某个板块狭义库存很健康广义库存却高得离谱那就是典型的未来供应堰塞湖必须单独标出来。提醒不要在不同城市之间直接比较官方公布的库存去化周期因为统计范围、时间窗口、含不含保障房几乎每个城市都不一样。要么统一到一个第三方口径要么自己从成交和供应两端重新算。4.2 人口数据的可用性陷阱与替代方案人口数据是标准图里最诱人、也最危险的指标。诱人是因为它解释力强危险是因为它滞后、且经常被修正。常住人口数据一般按年公布滞后半年到一年而且存在事后修订。你今年拿到的数据和明年回溯的数据可能对不上。更麻烦的是很多板块级别的人口数据根本拿不到只能退而求其次用街道数据或者手机信令数据而这两者的口径差异又很大。我的处理方案是主指标用人口增量占比辅以三个替代指标交叉验证小学在校生数量变化反映真实家庭定居滞后约1-2年但很难造假居民用电量增速反映实际居住活跃度月度可得二手房成交中的首次置业占比反映新增人口购房需求这三个替代指标和人口数据的相关性都不错而且更新频率更高。当人口数据缺失或者明显异常时用这三个指标做三角验证比硬填一个估算值靠谱得多。另外一个经验是人口指标一定要做规模标准化。直接用净增人口绝对值会让大城市永远占优正确做法是除以常住人口总数得到人口净增率。这个处理会显著改变排序——一些体量小但吸引力强的板块会浮上来一些体量大但增长停滞的板块会沉下去而这恰恰是投资想要的区分度。5. 制图实操从一张原始表到可读的分级图前面讲的都是设计这一节讲怎么真正跑出来。我用的工具很朴素Python加pandas不需要任何可视化库也能出结果最后要出图的时候再单独渲染。5.1 数据清洗与缺失值处理原始表拿到手第一件事不是算分是看缺失率。我的规则是单指标缺失率超过30%这个指标直接弃用不要试图插值。单指标缺失率在10%到30%之间用同城市同能级的板块中位数填充并打上标记。单指标缺失率低于10%用同城市中位数填充。单个板块缺失指标超过3个这个板块直接从样本中剔除不参与排序。最后一条规则很关键。我见过太多人为了样本完整硬把缺失严重的板块塞进去结果算出来的分数毫无意义。剔除比填充更安全因为填充会制造虚假的确定性。5.2 打分、归一化与分级的完整实现归一化我不用min-max用分位数映射。原因是min-max对极端值太敏感一个异常高的值会把其他所有样本压到接近0的位置。分位数映射把原始值转换成它在样本中的百分位天然抗异常值而且分数含义直观——60分就是比60%的样本好。import pandas as pd import numpy as np # 原始指标表每行一个板块每列一个指标 df pd.read_csv(district_metrics.csv) # 指标方向1 正向-1 负向 INDICATORS { pop_inflow_rate: 1, # 近3年人口净增率 industry_revenue_per_km: 1, # 单位面积企业营收 metro_coverage_ratio: 1, # 轨交覆盖人口占比 land_supply_ratio: -1, # 供地/成交比越高越差 absorption_months: -1, # 去化周期越长越差 liquidity_ratio: 1, # 二手成交/挂牌 } # 一线与二线的权重同构不同权 WEIGHTS { tier1: { pop_inflow_rate: 0.20, industry_revenue_per_km: 0.20, metro_coverage_ratio: 0.20, land_supply_ratio: 0.15, absorption_months: 0.15, liquidity_ratio: 0.10, }, tier2: { pop_inflow_rate: 0.30, industry_revenue_per_km: 0.25, metro_coverage_ratio: 0.15, land_supply_ratio: 0.10, absorption_months: 0.10, liquidity_ratio: 0.10, }, } def pct_score(series, direction): 按分位数映射到0-100分方向为负时反向 rank series.rank(pctTrue, ascending(direction 0)) return (rank * 100).round(2) def score_districts(df, tier_colcity_tier): out df.copy() for tier, weights in WEIGHTS.items(): mask out[tier_col] tier sub out[mask] total pd.Series(0.0, indexsub.index) for col, direction in INDICATORS.items(): if col not in sub.columns: continue s pct_score(sub[col], direction) out.loc[mask, f{col}_score] s total total.add(s * weights[col], fill_value0) out.loc[mask, total_score] total.round(2) return out def grade(score): 按绝对分数分级不按排名分级 if score 75: return S if score 60: return A if score 45: return B return C result score_districts(df) result[grade] result[total_score].apply(grade) result.to_csv(standard_map_result.csv, indexFalse, encodingutf-8-sig)这段代码有几个细节值得说明。第一打分要在同一能级内部做。因为一线和二线的指标分布本身就不一样如果混在一起做分位数映射二线会系统性地被压在低位排序就失真了。所以代码里按tier分组分别映射。第二分级用绝对分数而不是排名。排名分级的问题是即使整批样本都很差也一定会产生一批S级。用绝对阈值比如75分就不会有这个问题一整批都是C级也是完全正常的结果。第三负向指标的处理。rank(ascendingFalse)的意思是值越小排名越靠前映射出的分数越高符合供地越少越好、去化越快越好的逻辑。这一步写反了是新手最常见的bug跑出来所有板块分数都反了。5.3 出图与读图的五个固定动作拿到打分结果之后我一般做五个固定动作顺序不能乱看分布先看总分的直方图。如果分数集中在50到60之间说明区分度不够指标或权重还得再调。看极端值找出最高分和最低分的板块逐个人工核对原始数据确认不是数据错误导致的。这一步能抓出大部分数据问题。看维度拆解对每个板块把六个维度的单项分列出来找出它的短板维度。总分高但某一维度极低的板块往往是看起来很好但藏着大坑。做二维定位横轴用城市能级分纵轴用板块成熟度分把板块撒到四个象限里。不同象限对应完全不同的策略。标注异常把所有广义库存远高于狭义库存规划落地率低于30%的板块单独标红不管它总分多高。第4步的二维定位是整张标准图最有价值的部分下一节展开讲。6. 读图一线板块的四种形态与二线的三种形态分数出来后怎么读比怎么算更重要。同一张图一线和二线要读出不同的东西。我把自己常用的板块形态总结成了几种原型每一种对应的操作思路完全不同。6.1 一线板块的四种典型形态一线城市的板块分化本质上是一个成熟度与价格匹配度的问题。我把常见形态归成四类第一种是高位横盘型。特点是成熟度极高、价格也极高、人口和交通分数接近满分但流动性分数走低去化周期被拉长。这类板块的典型风险不是跌而是卡住——买进去之后发现想卖的时候没人接。判断标准是二手成交/挂牌比连续三个季度低于样本中位数。操作上这类板块适合长期持有、不适合做波段。第二种是轮动补涨型。成熟度中等偏上交通条件已经在改善有在建线路但价格还没完全反映。这类板块是标准图最有价值的地方——它把正在改善但还没被定价的板块筛出来了。判断标准是交通分数明显高于价格分位。操作上适合中期布局但一定要确认改善是在建而不是规划中。第三种是透支预支型。特征是价格分数远高于成熟度分数通常伴随规划利好被提前定价。这类板块在一线特别常见因为市场对规划的敏感度极高。我的做法是给这类板块单独设一条红线只要价格分位减成熟度分位超过25个百分点无论总分多高都降一档。第四种是价值洼地型。成熟度不低但价格分位偏低通常是历史原因造成的比如某个老工业片区。这类板块要么是真正的机会要么是长期的坑区分的关键是看人口是不是在回流、产业是不是在置换。如果两个都在改善那是机会如果只有价格低那大概率会一直低下去。6.2 二线板块的三种典型形态二线的分化逻辑和一线完全不同核心矛盾是资源集中度。第一种是单核虹吸型。整个城市的优质资源都集中在一到两个板块其余板块被持续抽血。这类板块的总分往往极高但要注意一个陷阱它的高分是建立在别人更差的基础上而不是自身绝对优势。判断方法是看它在整个城市样本中的分数差距有多大如果第一名和第三名差出30分以上说明这是典型的虹吸结构跟着龙头走是对的但不要指望辐射效应。第二种是多中心摊薄型。城市试图同时发展多个新区资源被摊薄每个板块都不温不火。这类结构在二线非常普遍也是最容易套人的。标准图在这种情况下的用法是找资源兑现度最高的那一个而不是找规划最大的那一个。我会把新增企业的实际注册数量、新增学校的实际招生数量作为硬指标规划文件里的数字一律打七折再用。第三种是产业驱动型。某个板块因为一个产业集群的落地而快速起来。这类板块的关键变量是产业的持续性和人口结构——如果进来的是制造业工人购房需求是刚性的但天花板低如果是研发和总部经济需求弹性大但周期长。标准图在这里的作用是帮你区分真产业和招商口号方法是看去化周期是不是真的在缩短而不是看签约金额。7. 标准图跑偏的几个场景以及我是怎么发现的再好的框架也会跑偏。这一节我把几个踩过的坑摊开讲重点不是结论而是排查链路——下次遇到类似情况你可以照着这个顺序查。7.1 规划利好被提前定价分数虚高早期我遇到过一批板块六个维度分数都很漂亮总分排在前列但投进去之后两年没动静。回头查才发现交通维度的分数是靠规划中的线路撑起来的产业维度是靠签约项目撑起来的两个都是未兑现的东西。排查链路是这样的先看分数最高的几个板块逐个去查交通指标的原始数据来源发现有一部分用的不是已运营站点而是已批复线路。再去查产业指标发现用的是签约金额而不是实际营收。两个口径一改那批板块的排名直接掉出前20%。调整方案是三条交通只看已运营站点的800米覆盖产业只看实际营收或实际纳税规划利好单独设一个预期分权重不超过10%而且只作为加分项不作为主分。这个改动之后标准图的预测力明显提升。7.2 库存数据滞后误判了转折点有一年我们对某二线板块的判断是库存健康、可以进结果进场三个月市场就开始以价换量。复盘发现我们用的库存数据是季度末的而那个板块的成交在季度中间就已经明显下滑了等数据出来的时候真实去化周期已经从12个月变成了20个月。排查链路发现月均成交的分母用的是近6个月而市场转折发生在最近2个月6个月的窗口把下滑稀释掉了。这个问题的本质是平滑窗口过长掩盖了拐点。调整方案是引入一个边际指标单独算近3个月的月均成交和近12个月的月均成交做比值。这个比值低于0.7就触发预警不管主指标多健康。这个边际指标后来成了我们标准图里最灵敏的一个风险信号比去化周期本身提前了差不多一个季度。7.3 样本量太小个别板块被打高分板块层的打分有个天然限制一个城市内部的板块数量有限样本量小的时候分位数映射会失真。比如某个城市只有12个板块排名第一的那个板块会被映射成接近100分但它和排名第三的可能只差一点点这个100分是虚高的。排查链路看分位数分布如果发现有大量板块集中在90分以上或者10分以下说明样本量不足导致的挤压效应。调整方案有两个一是样本量小于20时改用绝对阈值打分而不是分位数映射直接把原始值映射到预设的分数区间二是把同能级的相邻城市合并成一个样本池扩大样本量。后一种做法有争议因为跨城市的可比性存疑但对同一能级的城市来说这个误差是可以接受的。提醒跨城市合并样本时一定要先做量纲统一。同一个单位面积企业营收不同城市的统计范围可能包含或不包含分支机构直接合并会引入系统性偏差。8. 标准图的维护节奏多久更新一次更新什么标准图不是一次性交付物它是个需要持续维护的东西。我见过太多人做完一版就锁进文件夹一年后拿出来用结论已经完全失效了。8.1 分层更新频率不同层级的指标寿命完全不同不同指标的有效期差异极大用同一个更新周期是浪费也是风险。我现在的更新节奏是这样的层级指标类型更新频率触发条件城市层人口、产业季度统计公报发布后城市层土地供应月度每次集中供地后板块层库存、去化月度每月成交数据发布后板块层交通、公共资源半年新线路开通或新校开学板块层二手流动性周度挂牌量异常波动时全层权重与阈值年度样本外验证相关性下降时最后一行是最容易被忽略的权重和阈值也要定期重校。市场结构变化之后原来好用的权重可能就失效了。我的做法是每年做一次样本外验证拿过去一年的实际去化周期和当年分数做相关性检验如果相关性从0.6掉到0.4以下就必须重调权重。8.2 变更留痕为什么要给标准图做版本管理这个经验是从一次内部争论里学来的。当时两个团队对同一个板块给出了完全相反的结论吵了半天才发现一个用的是三个月前的图一个用的是最新的图中间刚好经历了一次供地高峰。从那以后我强制要求标准图做版本管理每次更新都要记录改了哪些指标、改了哪些权重、哪些板块的等级发生了变化。这三条记录看起来麻烦但在复盘的时候价值极高——你能清楚地知道某次判断失误是因为数据错了还是逻辑错了这两种错误的修正方式完全不同。我的做法是给每次更新打一个日期标签结果表按版本存同时维护一张等级变动表。如果某个板块在半年内等级变动超过两档这个板块就必须人工复核一次因为频繁变动本身就是一个信号说明它的基本面不稳定或者数据源有问题。最后分享一个我自己的使用习惯我从来不看标准图给出的绝对等级只看两个东西——排序的变化和短板维度。等级是静态的排序的变化能告诉你资金在往哪走短板维度能告诉你这个板块的软肋在哪。一张标准图真正的价值不在于告诉你这个板块是A级而在于告诉你这个板块比上个季度上升了8位但流动性维度在往下掉——后面这半句话才是需要你动手之前先想清楚的。