批量评估技术（精选6篇）
批量评估技术 篇1
根据房地产批量评估技术中人工参与程度的多少,现行批量评估技术方法可分为:以人工为主、以计算机技术为主和以人工与计算机技术相结合三类。本文将对此进行讨论,对如何选用房地产批量评估技术方法进行研究。
1 以人工为主的技术方法之标准价调整法
1.1 标准价调整法的概念
标准价调整法,作为市场比较法派生出来的一种方法,类似于城市动拆迁评估中的基准价格修正法和香港的指标估价法,但又有其自身的特点。标准价调整法可定义为:一种批量估价方法,在一定区域范围内进行估价分区,在每个估价分区内设定标准房地产并求其价值,利用房地产价格调整系数将标准房地产价格调整为各宗房地产的价值。标准价调整法适用于估价对象物业属性和估价特性较为近似的物业,尤其适用于小范围且价格影响因素少的楼栋批量评估。
1.2 标准价调整法在不同物业类型中的应用
标准价调整法的实施涉及到:估价分区的划分、标准房的设定、价格修正系数的设定以及标准房价格的评估。无论应用于哪种物业类型,这四个步骤必不可少,差异在于各步骤的具体实施方法不尽相同。
在住宅物业的评估中,往往以小区作为估价分区的划分,在一个小区内根据一定规则设定一个标准房,再由有经验的估价师根据实地调研情况设置标准房与其他房屋之间的价格差异系数。最后仍由估价师定期对标准房进行估价,并通过已设定的系数求得所有物业的价格。
在办公物业的评估中,差异在于分区是以楼栋或项目来划分,后续步骤和住宅一致。
在集中型商业物业或工业物业中,都可以借鉴上述方法来进行操作。但在沿街零售型物业中,由于沿街零售性物业分布广泛,没有明显的集中趋势,并且价格影响因素的差异较大,导致标准价调整法的应用也与其他物业类型有较大不同,主要表现在估价分区的划分和价格修正系数的设定这两个环节。现有的技术方案一般采集两级调整的方案。按商圈(或类似因素)将城市区域划分成诸多估价分区,在每个分区中设定一个标准商铺,称为区域基准商铺。之后在分区内再进行一次估价分区的划分,这一划分以路段为分区,在每个路段中设定一个标准商铺,称为路段基准商铺。估价人员经过现场调研后,需设置两级修正系数,即区域基准商铺与路段基准商铺的价格调整系数,以及路段基准商铺与路段内其他商铺的价格修正系数。最后经估价师定期对区域基准商铺进行估价,并通过两级系数的修正求得所有商铺的价格。
1.3 标准价调整法的优点
①在规模较小的城市中,可以实现绝大部分物业的批量评估需求,具有较强的实用性。
②可以达到较高的批量评估覆盖率。
③估价准确性较好,并具有较好的质量可控性。
④除建设初期投入的人员成本和时间成本较大,后续维护的成本适中。
1.4 标准价调整法的缺点
①由于人工作业的工作量太大,不适用大、中型城市。
②对估价人员的经验要求较高,尤其是系数设置与标准房的价格评估等环节对质量的要求很高。团队运作时,需要具备较高的质量管理能力。
③不同物业间的系数关系可能受到市场、规划等因素的影响而改变,需要定期进行监控和维护,有一定的难度或容易疏忽和遗漏。
2 以人工为主的技术方法之多元线性回归模型
2.1 多元线性回归模型简述
多元回归分析是目前在国外批量评估中占主流的校准技术,包括线性回归分析和非线性回归分析。其基本原理是:在大量样本的基础上,通过对变量、误差的假定,依靠最小二乘法来拟合因变量与自变量关系,从而建立数学模型。
多元线性回归方程模型为:
其中:β0是常数项,是各自变量都等于0时,因变量的估计值。β0,β1,…,βp是偏回归系数,其统计学意义是在其他所有自变量不变的情况下,某一自变量每变化一个单位,因变量平均变化的单位数。ei是残差。
多元回归是统计学方法,运用时要和经济学理论结合,实践中对多元回归模型的应用是基于特征价格理论。国内关于运用特征价格理论来进行房地产价格批量评估也有较多的研究和学术论文,但绝大多数还处于理论研究阶段。
2.2 多元回归分析的主要步骤
多元回归既可以用来预测售价,也可以用来预测租金,甚至可以用来统计其他中间参数。在步骤上不同类型的物业没有明显区别,只是在变量的选择与量化上有所不同。为便于表述,下面以预测办公物业价格为例来进行阐述。
①选取样本:为了训练预测办公物业价格的模型方程,在目标范围内选取一定数量的样本,调研其价格信息和基础信息。这里的重点是样本对总体的代表性以及样本数据采集的准确性。
②构建办公物业价格影响因素体系:通过调研分析以及房产专家意见调查,归纳出可能影响办公物业价格的特征变量,并进行赋值量化。
③模型拟合:观察、分析特征变量的变动规律,采用统计分析软件进行分析,对模型和特征变量赋值不断地尝试和修正,找出合理的价格和各特征变量之间的定量关系。
④模型检验:最终得到的模型是否成功,取决于经济意义检验、统计检验、计量经济学检验以及模型预测检验。其中统计检验包括了拟合优度检验和显著性检验;计量经济学检验包括多重共线性检验及异方差检验等。但凡通过上述所有的检验,即可认为模型已成功建立。
⑤模型应用:对办公物业的特征变量进行赋值,代入最终的模型进行自动计算,即可评估办公物业的价格。
2.3 多元线性回归模型的优点
①多元回归方法所涉及的工作量主要在于特征变量的数量以及特征变量的赋值容易程度,受城市规模的影响较小,因此可以适用于大中型及以上城市。
②多元回归方法通过拟合因变量与自变量关系从而建立数学模型,这个过程与何种物业类型无关,因此理论上多元回归方法适合各类型物业的批量评估建模。
③通过“调整R方”和“标准误差”两项指标,基本可以判断和掌握模型价格估计的准确度,并且可以对模型进行持续改进,从而保证批量评估的准确性。
④在市场稳定时期,由于自变量与因变量的关系也较为稳定,因此模型更新维护的成本较低,从而价格更新的成本也较低。
2.4 多元线性回归模型的缺点
①在不同区域或不同市场,价格的影响因素不尽相同,建立的回归模型也不相同。因此对每个城市每个物业类型的市场需要分别建立回归模型。
②多元回归的建模研究过程中,在理论假设、建模方法、数据采集等各环节中,需要综合的知识、经验和技能要求。除了房地产估价师所需具备的估价理论知识、实务经验、调研及价格判断能力外,还需要统计学、经济学等多学科知识。对人员和团队的综合能力要求很高,而这往往是传统估价机构所欠缺的。
③对样本数据的准确性要求较高。如果没有准确的样本数据,建立科学的经济学模型则为空中楼阁。而要获得准确的样本数据,长久以来一直是一个难题,其中有人为的因素(如交易避税),也有客观的因素(如商业物业的交易活跃度低)。
④在市场波动大的时候,原有模型可能失效或者预测能力大幅下降,而模型的迭代或维护周期较长,可能无法及时调整。
3 以计算机技术为主的技术方法
房地产批量评估领域中以计算机技术为主的技术方法主要是基于大数据的数据挖掘。这一技术的应用最早开始于房地产互联网企业,如搜房、安居客等房地产房源网站,后来逐步被引入到房地产批量评估的技术或产品研发中来。
3.1 数据挖掘的方法和原理
首先,数据挖掘的前提需要有大量的数据可供挖掘。随着互联网在各行各业的不断渗透,房地产中介行业中出现了大量房源网站,并逐步成为了房地产经纪人发布房源招揽客户的主要渠道。一个房源网站中可以搜索的房源数量多达数十万甚至上百万条,并且每天都有数万条以上的数据更新。这样的网站有好几家,为房地产的数据挖掘提供了可行的前提。
其次,结构化的数据为数据的采集提供了便利。在房源网站中,房源已经按小区进行了分类,经纪人发布哪个小区的房源,则该房源将展现在该小区的搜索项下。至于面积、房型、价格、楼层以及装修等参数,也都以格式化的方式来展现。因此,利用互联网爬虫等抓取技术,可以方便的将这些网站的房源抓取下来,并建立房源案例数据库。
最后,是数据挖掘工作。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关,并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。根据上述定义和描述可以发现,数据挖掘的核心是算法,而这个算法在不同的批量评估系数或产品中都不相同,算法的优劣也决定了不同系统或产品的优劣。
3.2 数据挖掘方法的优点
①高效无疑是数据挖掘方法的最大优点。一旦完成对算法的研究,价格估算的工作都可以交由计算机来完成。
②对整体市场价格运行的反映具有较高的准确度。
3.3 数据挖掘方法的缺点
①对微观市场价格运行的反映可能存在较大偏差。微观市场中,例如一个住宅小区,其挂牌房源的数量就很有限了,即使规模最大的小区,也就是几百的数量级。这样大数据挖掘的数据数量前提已不满足,从而影响了对微观市场的价格估计。
②批量评估的覆盖面不完整。互联网数据虽然总量巨大,但并非面面俱到。以住宅小区为例,一些体量较小的小区,或者一些远郊区域,可能无法在互联网上被搜索到。因此,基于互联网数据挖掘的批量评估势必在覆盖面上存在缺陷。
4 以人工与计算机技术相结合的技术方法
房地产批量评估,尤其是涉税的批量评估对评估系统的要求主要有:全面覆盖所有物业、估价结果准确以及系统维护成本适中。根据前文对各方法的论述,单一方法很难实现上述要求。如标准价调整法若在大型或超大型城市中应用,将面临很高的运营成本;多元回归建模的更新维护周期较长,当市场出现快速波动时可能无法及时调整;基于大数据的数据挖掘在估价精度与覆盖面上都有所欠缺。总之,无论从技术上论证还是从实施效果来看,多种方法的有效结合是较为理想的,也是房地产批量评估技术的发展趋势。
实践中各方法的结合已有普遍应用,并且各有巧妙,方法不尽相同。下面就几种简单的组合方式进行讨论。
4.1 标准价调整法与大数据挖掘技术的组合
大数据挖掘可以满足一些活跃小区的价格估算,因为活跃小区的挂牌房源较多,能满足算法所要求的数据量前提,而不活跃的小区则无法为算法提供足够的“原材料”,因此不适用数据挖掘的方法。这时就可以运用标准价调整法来弥补。按照标准价调整法的原理,在不活跃小区的临近或相似区域内设置一个标准房,经人工调研后设置标准房与不活跃小区价格的调整系数。这样在算法得出活跃小区价格的同时,可以利用预先设置好的系数一并计算不活跃小区的价格。
此外,在算法可以计算的活跃小区的价格中,也有可能存在价格偏差。这时也可以应用标准价调整法的思路,设置活跃小区间的价格调整系数,来检验算法所得结果的合理性。
这一组合的应用前提主要是看大数据挖掘的应用前提是否存在,即是否存在大量数据可供挖掘,因此适合房地产市场规模较大,“互联网+”比较发达的城市和地区。此外,在结合了大数据挖掘技术后,标准价调整法可以应用到大中型及以上城市,克服了其原有的一大弊端。
4.2 多元回归模型与大数据挖掘技术的组合
除了对人员的能力要求以及对样本数据的质量要求较高以外,多元回归模型最大的弱点在于迭代问题。市场不断变化,模型不可能一成不变,当市场发生变化并导致变量之间的关系也发生改变时,原有模型的价格预计精度必然下降,此时必须对模型进行重新构建。
问题在于市场价格变化未必会导致变量间的关系也发生变化(或变化很小),或者当变量间关系发生变化时,人员主观上可能无法及时发现。当主观能够感受到变量间的关系出现变化时,往往已经有了很大的变化。此时再进行模型的迭代就已近晚了,之前的价格估算可能已经出现了错误。
大数据挖掘技术可以很好地弥补上述的缺陷。大数据挖掘不仅可以直接计算某些具体变量,任何数据内在的规律和关联都可能应用大数据挖掘的方式进行探索和发现,并且能对极为细小的数值波动进行反应。利用数据挖掘的这一特性,可以建立对变量的波动监控,当波动超过一定的预设阀值即可启动模型的迭代更新。
这一组合的应用前提同样取决于大数据挖掘的应用前提,除了城市规模等情况限制外,如商业物业、工业厂房等物业市场也不适用。
4.3 标准价调整法与多元回归模型的组合
标准价调整法往往适用于特性相近的物业,如在一个小区中设定一个标准房,再设定标准房与其他房屋的价格修正系数。在价格更新时,求取标准房价格后,即可得到小区内所有房屋的价格。但当城市规模很大时,也就是有很多小区时,必须要求取所有小区的标准房价格,如仅以人工来评估得出的话,成本非常高。此时在求取小区标准房价格方面,采用多元回归模型的方法可以极大地减少人工和时间成本。
由于标准价调整法和多元回归模型都属于以人工为主的技术方法,因此理论上的应用几乎不受限制。在结合多元回归模型后,标准价调整法也可扩展应用到大中及以上城市。
从上述三个组合中可以看到,原单一技术的某些弊端可以被克服,整体技术方案的适用范围和效果可获得较大提升和改进。实际研究和应用中可能有更多种的技术组合,且并不限于本文论述的主流技术方法。多种技术组合应用是房地产批量评估技术探索和创新的主要方向。
5 房地产批量评估技术的选用
无论是单一技术还是多种技术方法的结合应用,房地产批量评估技术的选用依据主要是数据状况、结果的质量状况以及运行成本。
数据状况主要指数据的数量和质量。就技术方案来说,侧重点有所不同。例如在多元回归模型中,对于样本案例的参数质量要求是所有技术方案中最高的;而大数据挖掘技术则对数据的数量要求最高。现实中不太会碰到数量又多质量又好的数据状况,因此在技术选用时首先需要考虑是否可以稳定获得所需要的数据。
至于结果的质量状况和运行成本,很难设定一个标准线。只能根据不同的需求目的来设定质量目标,以及根据组织的投入产出效益来选择可行的技术方案。以上海城市房地产估价有限公司开发的VISS系统的运行情况来看,其在住宅物业批量评估方案中采用了标准价调整法与大数据挖掘相结合的方法,使其系统的评估精度基本控制在正负6% 的误差范围,极端误差范围为正负10%。对于上海12000多个住宅小区,其价格更新周期为每月,其数据维护人员仅8-10人,每次价格更新的工作周期仅为两周。在其新研发的办公物业批量评估方案中,更是结合了标准价调整法、多元回归模型以及大数据挖掘三种方法,使其系统的评估精度可以控制在正负10% 的误差范围,极端误差范围为正负15%。对于上海3000 多栋写字楼物业,可以实现3 个月的价格更新周期,而数据维护人员仅3人。
因此,在选用何种技术方案时,主要有四个评价因素。一是技术方案所需的数据是否可以稳定获得;二是批量评估的价格精度是否满足目标需求;三是批量评估的物业覆盖面是否完整;四是批量评估的运行维护成本企业(或组织)是否可以承受。以此为标准,运用多方法结合的思路进行技术的研发和创新才是房地产批量评估技术发展的正确道路。
6 结语
本文之所以将房地产批量评估技术按以人工为主和以计算机技术为主来划分,盖因其出处不同。三大主流技术中,大数据挖掘来自互联网行业对于估价业务的渗透;多元线性回归模型来自大学院校对于房地产的研究;只有标准价调整法来自于估价行业本身。任何一种技术单一使用都有其利弊。房地产批量评估技术的探索与创新必须跨越行业和专业的限制,学习跨领域的知识和技术,结合多种技术和方法,才能最终全面实现房地产价值的批量评估。
批量评估技术 篇2
从2003年5月开始,北京、江苏、辽宁、深圳、宁夏、重庆6个省区率先开展了房地产模拟评税的试点工作。2007年,国家税务总局和财政部再次批准安徽、福建、河南和天津四省市为房地产模拟评税试点地区,物业税“空转”城市已经超过十个这些试点地区工作的稳步推进,为我国物业税的开征积累了大量的数据资料及实践经验
据了解,北京早在2008年就制订了物业税开征方案,但由于奥运会以及之后的金融危机等原因而被暂时搁浅。2009年8月,深圳市将开征物业税写进了《深圳市综合配套改革三年(2009-2011年)实施方案工作安排表》,成为首个将开征物业税提上官方日程的城市。该《安排表》提出简化现行房地产税制,适当探索开征物业税,制定物业税税基评估的技术标准,建立税基评估系统,积极推进深圳地区开征物业税的试点工作。物业税“空转”最重要的结论是,房地产税收比现在的税收大幅度增加。中国人民大学物业税制度设计与城市管理模式研究组认为,物业税征收将在以下5个方面带来利好:整治房地产领域的乱收费现象;有利于控制房价上涨过快的趋势;在一定程度上抑制房地产投资;筹集城市发展资金;以税收手段调节不同人群的收入水平。然而,物业税的开征并非简单的税费改革,涉及到土地使用制度、市场调控手段、住宅建设方式等诸多方面,且背后隐藏了各方利益的博弈,其开征必然面临诸多难点。
二、科学确定物业税税基价值的必要性
我国实行土地批租制度,房地产开发前期需一次性支付高额的土地出让金,同时房地产税费重复征收,占据房价的较大比例。此外,我国的房地产税制存在着“重流通,轻保有”的问题,造成了土地资源配置的低效率,以及财政收入的流失。因此,我国急需房地产税制改革。尽管我国已在部分省市进行了物业税模拟实践试点工作长达六年之久,仍没有转为“实转”,这其中涉及到的税制设计及征收等各个环节都没有被国家立法予以规范。我国提出物业税改革的初衷是完善我国的房地产税制结构,使其成为地方政府的主体税种,提高土地资源配置的效率,抑制房地产市场的投机行为。然而现阶段,物业税已成为公众争论的热点,在呼声不断高涨的同时,也有人怀疑物业税到底能不能降低房价。
顺利开征物业税的重要前提之一是科学确定物业税税基的价值。由于房价经常处于较大幅度的变动之中,采用历史成本作为财产税计税依据容易造成税收流失和税负的严重不公。世界上财产税制较为完善的国家和地区大多以经评估确定的房地产税基价值作为房地产税的重要计税依据,例如美、英、德和立陶宛等国家采用批量评估方法,在建立完善的税基评估制度与体系的基础上,通过设立独立的评估机构和专业的评估人员,使用计算机辅助手段对房地产税基进行评估。但由于国情不同,各个国家的评估制度与体系都是不同的。因此,我国应在充分借鉴国际成功经验的基础上,建立具有适合我国国情的房地产税基评估框架体系。
我国的物业税征收工作仍没有付诸实践的原因是多方面的,这与我国的特殊国情息息相关。而且,顺利开征物业税的重要前提之一是科学确定物业税的计税依据即确定物业税税基的价值。而在我国现阶段,从物业税税制设计,征收前的准备工作,税基的确定到如何征收,及后续的争议解决制度都没有达成共识。因此,构建我国的物业税税基评估体系迫在眉睫。
三、资产评估技术方法的比较
资产评估三种基本方法:市场比较法、收益法和重置成本法依据不同的原理,即使对于同一房地产,采用这三种方法评估所得到的结果也相差甚远。重置成本法是从供给角度出发,收益法是从需求的角度出发,而市场比较法从供需平衡的角度出发,供求双方达成交易的条件是使房地产使用带来的收益要大于或至少等于房地产的供给成本,因此收益法的评估结果大于重置成本法的评估结果,市场比较法的评估结果介于收益法和重置成本法之间。此外,三种评估方法在实际应用过程中各有利弊。
市场比较法充分考虑了市场因素,能够反映出市场价值变动的趋势,但需要有完善的房地产交易资料,不适用于较少在市场上交易的房地产,而且在进行系数调整时受主观因素影响较大。收益法考虑了货币的时间价值因素,但是对于房地产未来纯收益和折现率的确定难度系数较大,易受主观判断及企业经营管理水平的影响。重置成本法的适用范围比较广泛,对于无法取得资产未来收益,以及不具有活跃市场交易的资产的评估均可以使用此法。但是房地产的价格取决于效用,而不是所花费的成本,成本的增加并不一定增加其价值,反之,成本低也不一定等于价值低;并且采用重置成本法计算复杂,各种贬值因素难以把握。
国际上以评估值作为房地产税计税依据的国家通常区分不同情况,例如市场情况、待估房地产的特点以及所需数据资料的可获得性来选择评估方法。
四、批量评估技术方法引入
目前,在为征收房地产税而进行税基评估的过程中,多数国家引入了批量评估(Mass Appraisal)方法。1983年,国际估税官协会就已经颁布了有关三种基本方法在批量评估方法体系中的评估应用准则。国际评估准则2005对批量评估的定义为:应用系统的、统一的、考虑到统计检验和结果分析的评估方法和技术评估多项财产确定日期价值的活动。从评估原理来看,批量评估是运用价值评估的基本方法,依据财产特征或财产价值随时间变化的趋势,结合多元回归分析等数理统计技术、计算机技术和地理信息系统等的评估方法。在税基评估理论和实践发展比较成熟的国家,批量评估已经发展成为完整的体系,这一体系包括批量评估的数据管理体系、技术体系、表现分析、申诉体系等。
随着批量评估理论体系日趋完善,技术不断更新,国外的房地产批量评估已经形成了一些公认的程序化步骤,具体为:
1.鉴定所评估财产的特征。批量评估适用于一系列具有相近特征的房地产,如果在某一区域中,有个别房地产的特征与其他房地产的差异较大,这些特殊房地产就不适用于批量评估,而应采用个案评估方法。
2.确定市场区域。根据某个区域内房地产交易等方面的市场特征,将评估区域划分成不同的市场区域。在同一市场区域内,影响房地产交易的供求方面的因素应是相同的。
3.确定影响价值形成的因素。影响房地产价值形成的因素通常包括经济环境、房地产所处区域的特征及房地产自身的特征。经济环境包括经济周期、通货膨胀等因素的影响。对于住宅而言,房地产所处区域的特征体现为社区配套设施的完善程度、绿化、交通情况等。通常,周边有医院、学校、大型超市或公园,交通便利的社区,房价一般比较高。对于商业性房地产,影响价值形成的区域因素则体现为交通便利程度、人流量以及周边人群的消费水平等。房地产自身的特征包括占地面积、居住面积、建筑等级、楼龄、朝向、装修情况等等。在确定上述影响房地产价值形成的因素的同时,我们需要事先根据常识及经验,判断出这些因素是如何影响价值的,是正相关还是负相关关系,以此作为后续模型校准阶段的基础。
4.建立模型。在批量评估系统中,自动评估模型(AVM,Automated Valuation Model)是关键技术。该模型应用统计软件,利用房地产市场的历史数据,如近期交易价格、影响房地产价值形成的特征等,形成批量房地产的个体价值。在评估实践中,往往需要借助计算机作为辅助工具,即使用计算机辅助批量评估方法。
根据影响房地产价值形成的属性数据,建立如下模型:
模型中,V为房地产的价值变量,f1,f2……fn为房地产的属性变量,即影响房地产价值形成的特征变量。
不同评估方法下,方程中价值变量和属性变量的确定是不同的:(1)市场比较法是利用与待估房地产相似的可比房地产的市场价格,对待估房地产进行价值评估。因此,市场比较法下,价值变量可直接选为市场价格。(2)收益法下,价值变量应该选为收益和资本化率两个变量,需分别为这两个变量建立模型,进行统计分析。(3)重置成本法下,房地产价值主要由被评估资产的重置成本和各种贬值额决定,价值变量可以选为市场价格,属性变量为重置成本和各种贬值因素。
5.模型校准。基于不同方法的批量评估模型,需要建立不同的校准过程:基于市场比较法的评估模型,通常使用的是销售比较法,即用历史销售数据进行校准,这一过程,就是确定上述多元回归方程中β0、β1、β2…βn的过程。对于收益法下的评估模型,校准模型的关键是确定模型中的毛收益乘数和总资本化率。基于成本法的评估模型,校准程序主要是确定其重置成本。
6.应用评估模型进行推论判断。经过较准的批量评估模型,其系数能够反映出房地产价值影响因素对其价值的影响程度,将所收集到的同一评估区域内的其他房地产的特征值代入模型,获得这些房地产的评估值。
7.检测批量评估结果。得到房地产的评估值后,还需要对结果进行检验,一般采用比率研究(Ratio Study),即将同一个财产的评估价值与其实际价值(如销售价格)相比较的一种方法。
以上步骤只是批量评估最基本的步骤,评估师应用批量评估方法评估目标财产时,还需要根据评估的目的和目标财产的性质,确定批量评估的具体步骤。例如在以从价税为目的的房地产批量评估体系中,具体的评估程序可以概括为:税基评估师根据地理信息、所有权凭证等资料确认目标财产与所有者、财产特征和被评估资产在评估基准日的权属特征。然后限定假设条件与限制环境,确定房地产样本并划分区域,再根据不同的市场区域的特点进行模型的校正。一般需要对被评估资产进行比率研究,事先设定一个合理的比率区间,以80%-85%为例,在得到目标财产的价值估计后,评估师要将得出的估计值与目标财产自身或相似资产的价值作比较以检验价值估计的合理性与一致性,若比率值在事先设定的区间内,说明模型是相对科学的;反之,若无法通过一致性的复核,评估师需要对被评估资产重新估值或对模型做出调整。
批量评估技术 篇3
我国集体林权制度改革后, 以户为单位的林农经营着面积大小不一、 小班个数多寡不同的森林。 按照林农经营的大量小班森林的价值计算保险费和保险金额时, 必须对各小班森林进行大量的评估工作, 如果采取个案评估技术, 必然耗费大量的人力物力且其评估效率低下。 批量评估能够低成本、 高效率地完成大量森林保险标的资产的评估任务, 且评估费用低能够让林农承受。
二、森林保险标的资产批量评估的数据来源与工作流程
林农的森林保险标的资产林班面积大小不一、树种千差万别、树龄各自不同。因此,各小班森林保险标的资产的价值也千差万别。 要完成大量森林保险标的资产的评估工作, 评估数据的收集和数据来源就成为构建森林保险标的 资产价值批量 评估模型的 关键。从我国目前的森林资源管理来看, 以森林资源抽样调查数据、 树木生长量预测数据、森林遥感数据、森林采伐指标等数据对森林资源二类调查GIS系统(简称“森林资源GIS”)数据进行调整后得到的数据, 可以作为森林保险标的资产批量评估模型的数据来源之一。 森林保险标的资产批量评估主要的工作包括:
(一)评估基准日森林资源GIS数据准备
1.森林资源抽样调查 。 组织专业技术人员对评估对象进行抽样调查, 更新森林资源GIS系统中的数据,并进行个案评估,为批量评估准备数据。
2.利用遥感技术收集森林资源额增减变 化情况 , 实时更新森 林资源GIS系统数据 。
3.根据林业主管部门审批的采伐指标和实际采伐作业情况, 实时更新森林资源GIS系统数据。
4. 根据树木生长量预测模型 ,调整森林资源GIS中林分蓄积数据。 评估基准日树木生长量预测以森林资源二类调查数据为基础, 按照目前林业系统经常采用的人工林和天然林经营类型的生长模型进行预测。
(二)收集整理森林资源交易数据、森林资源物价指数等与评估直接相关的经济技术参数
在获得评估基准日森林资源二类调查数据的基础上, 通过收集到的南方林业产权交易所的交易数据、 物价指数、区域因素评估修正数据、评估师抽样评估森林保险标的资产确认的个案评估数据等和森林资源资产评估有关技术经济指标数据。
(三)森林保险标的资产价值批量评估流程的建立,见图1。
三、森林保险标的资产批量评估模型研究
(一)研究相关假设
由于森林保险标的资产类别间差异性大,其价值影响因素也大相径庭。 因此, 应根据森林资源GIS系统数据库中不同优势树种不同龄组的森林保险标的资产, 分别构建其森林保险标的资产批量评估模型。 为了能够方便的构建森林保险标的资产批量评估模型,先做如下假设:
假设1: 以森林资源二类调查数据中的细班作为评估对象。
假设2: 按森林资源二类调查数据中的优势树种和树龄组将森林资源划分为不同的资产类别, 以各资产类别分别构建各自的批量评估模型,优势树种以外的少数树种作为辅助变量加以考虑。
(二)评估对象价值影响因素分析与输入值指标的选取
森林保险标的资产价值批量评估系统的输入值主要包括: 森林资源资产交易市场的市场信息; 森林经营管理相关的财务会计数据和森林经理经济技术指标数据; 森林资源管理二类调查数据等。 评估对象价值影响因素具体指标如下:
森林资源二类调查数据指标主要包括:小班号、林权属性、经营类型、坐落地址、流域名称、地貌类型、地类、平均海拔、坡位、坡向、坡地、土壤类型、 土层厚度、腐殖层厚度、植被覆盖率、 林班面积、林种类别、林种起源、优势树种、平均树龄、平均胸径、平均树高、 郁闭度、活立木总蓄积、林分蓄积、散生蓄积、四旁树蓄积、四旁树株数、杉树占比、松树占比、硬阔树占比、软阔树占比、枯立木蓄积、毛竹株数、幼林毛竹树、壮龄毛竹数、杂竹株数、亩平均株数、亩平均蓄积、散生木株数、群落结构、林层结构、树种结构、病虫害、 火灾等级等指标。 这些指标直接或间接影响森林蓄积量和森林覆盖率、森林资源健康度等, 从而影响森林资源资产价值。
森林资源资产交易市场的市场信息主要包括: 市场交易价格、 交易日期、市场交易条件与交易类型等。
森林经营管理相关的财务会计数据主要包括: 营林生产成本、 木材税费、木材经营成本、利率、利润、出材率等数据。
(三)森林保险标的资产批量评估模型的构建
依据森林资源二类调查GIS系统数据, 森林保险标的资产按优势树种划分为:杉木、马尾松、湿地松、软阔叶树、硬阔叶树、竹林、经济林等;森林保险标的资产按树木龄组划分为: 幼龄林、中龄林、近熟林、成熟林、过熟林等。 由于不同类别森林保险标的资产价值差异很大,因此,根据森林保险标的资产优势树种和树龄组组合, 分别可以构建至少35个以上的森林保险标的资产批量评估模型。 本文以江西省会昌县森林资源二类调查GIS数据库中的优势树种———近熟龄杉木林为例, 研究森林保险标的资产批量评估模型的构建。
1.近熟杉木林森林保险批量评估模型的设定。对于近熟龄杉木林,其评估价值影响因素主要有:森林面积、郁闭度、平均树高、平均胸径、杉木占比、 林分蓄积、亩平均株数、亩平均蓄积、 散生木蓄积、林龄等。我们选取森林面积、郁闭度、平均树高、平均胸径、杉木占比、林分蓄积、亩平均株数、亩平均蓄积、散生木蓄积、林龄等指标构建批量评估多元回归模型,模型设定如下:
2.近熟龄杉木林森林保险批量评估模型的数据收集与处理。(1)数据来源。 近熟龄杉木林批量评估实证分析所采用的基础数据为2012年12月江西省会昌县森林资源二类调查GIS数据,选用优势树种为杉木、龄组为近熟林的507个样本数据并做适当修正, 作为批量评估模型的构建数据, 并对预测结果进行比率标准研究。(2)数据处理。 1近熟龄杉木林森林保险批量评估建模前的正态性检验。 对拟用的507个样本数据进行建模前的K-S正态性检验,检验结果表明评估值、杉类占百(杉类占比)、郁闭度、亩平均蓄 积、亩平均株数、平均年龄(树龄)、林班面积(面积亩)等指标正态性一般, 平均胸径、活立木总蓄积、平均树高3个变量经过自然对数变换后正态性得到进一步改善。 2近熟龄杉木林森林保险批量评估建模前的线性检验。 在正态性检验之后,还应确保因变量(评估值) 与自变量之间是否存在线性关系。从经散点图分析,评估值与亩平均蓄(亩平均蓄积)、林分面积(面积亩)、 郁闭度存在线性关系。
3.近熟龄杉木林森林保险批量评估模型的估计与检验。(1)逐步回归法估计。 近熟龄杉木林森林保险批量评估模型采用逐步回归法。 逐步回归法的基本思 路是在所考 虑的全部因素 中,按其对因变量作用的强弱,由大到小地逐个引入回归方程。 那些对因变量作用弱的自变量可能自始至终都未被引入回归方程。另一方面,已经被引入回归方程的自变量在引入新的自变量后也有可能因为变成对因变量的作用不显著而被剔除。 在逐步回归过程中,要选用两个F临界值:一个是选入变量时的F临界值, 另一个是剔除变量时的临界值。 在逐步回归分析过程中, 通过比较各自变量的偏回归平方和对自变量进行筛选, 使得在回归方程中包含所有对因变量影响显著的自变量, 而消除对因变量影响不显著的自变量,从而得到“最优”的回归方程。 采用表1数据, 通过逐步回归法估计得到的近熟杉木林森林保险批量评估基本模型为:
(2) 用材林森林保险批量评估基本模型的检验。1经济意义检验。自变量细班面积、亩平均蓄积、活立木总蓄积所估 计的参数 分别为1 173.338、 95 045.246、8 708.102, 均与经济学原理及经验相符, 符合林木价值与林木蓄积、林分面积直接相关的要求。2统计意义检验。 经测算近熟龄杉木林批量评估 模型的R2=0.956, 调整后的R2=0.955, 说明模型对样本的拟合很好。 Durbin-Watson(U)=1.726,处于0至4之间, 说明进入回归模型的自变量具有 独立性 。 模型方差 分析表 (ANOVA)中数据F值等于3609.782, 显著性(Sig.)=0.000小于0.05,说明该模型具有统计学意义。 由表1中的容差和VIF数据可以看出, 容差最小值为0.229>0.1,VIF最大值4.375<5,说明变量间的共线性不严重, 在可以接受范围之内。通过统计检验分析,可以判断模型(2)符合多元回归的建模要求。 3计量经济学检验。 根据图2, SPSS给出的残差统计数据以及评估值残差 的Kolmogorov-Smirnov检验 , 可以确定残差符合正态性分布。
4.近熟龄杉木林森林保险批量评估实证结果分析。模型建立以后,利用SPSS 22.0的比率分析过程 ,得到如下结论: 比率平均值和中位数在0.90— 1.10之间,说明此次评估水平较好 ;离散系数 (COD) 为6.244在5—15之间, 说明此次评估的离散系数符合要求, 一致性较好; 价格相关差为1.02在0.98~1.03之间,说明此次评估的回归倾向性较好。
四、结论
应用多元回归分析方法, 建立森林保险标的资产批量评估模型来估算各优势树种各龄组每细班的森林保险评估价值, 经检验认为模型是准确有效的。
摘要：本文分析了森林保险标的资产批量评估的工作流程,且以森林资源抽样调查数据、树木生长量预测数据、森林遥感数据、森林采伐指标等数据对森林资源二类调查GIS系统数据进行调整后得到的数据作为森林保险标的资产价值评估的数据来源,应用多元回归分析技术构建森林保险标的资产批量评估模型,经检验确认模型准确有效。
批量评估技术 篇4
关键词：不动产,征税,批量评估,区段划分,基准物业,修正体系
0 引言
物业税是向土地、房屋等不动产的所有者或承租人定期征收的一种财产税。对于物业税的税率、税目、收入划分等问题，目前各界仍存在一些争议，但对计税要素的认识基本一致，即计税依据为评估价值，纳税人为不动产的产权人，征收环节为房地产保有环节。[1]
世界各国不动产财产税的计税依据大致有3几种，即：不动产的租赁收入；不动产的账面价值；不动产的评估价值。由于保有环节的房地产不发生实际交易，其价值一般只能通过参照、对比等方法获得；而账面原值方法不反映其随市场变化的真实价值，且如果逐年折旧，税基将逐年递减，这样形成的税收收入也是递减的，不具备税收弹性，更无法保证公共支出增长的需求。因此，在物业税的研究中，采用不动产的评估价值作为计税依据是较为可行的。
目前我国国内的房地产价值评估体系并不完善，完全依靠当前的房地产价值评估体系来评估物业税的税基是不合适的。因此，根据我国物业税税基评估工作面广、量大、类多、具有周期性的特点来构建一套相对独立的物业税税基评估体系和更新方案，是物业税开征前所必须解决的关键问题。[2]
1 评估体系构建的原则
(1）高效率低成本。物业税征收的涉及面广、工作量大，税基评估若不能满足高效率和低成本，将直接影响物业税征收工作的正常开展。
(2）统一估价标准。在不动产评估中，不同的评估方法、参数选取评出的房地产价值往往具有较大的差别，而且不同评估人员在评估房地产价值时通常也带有一定的主观性，因此，物业税税基评估应当采用统一的评估标准，这样既保证了评估工作的效率性，又能体现评估工作的公平性。
(3）分区域分类型评估。不同区域、不同类型的房地产价格相差很大，为了满足税基评估的精度要求，应当分区域、分类型分别评估，同时应注意房地产价格横向比较的合理性。
(4）动态更新。房地产评估价值随市场变化而波动，故物业税的税基评估具有周期性。评估体系构建时，应考虑动态更新的便捷性和时效性，在重新评估时，需要修改的仅仅是一些最新的房价、各类参数指标值和因素修正调整的幅度等基本数据，便可以得出新的税基评估结果。[3]
2 批量评估体系的思路
物业税税基评估覆盖面广，评估数量巨大，评估时点具有一致性，若对纳税物业进行逐一评估，需要耗费巨额的成本和大量的时间，这在理论和现实中均是不可行的，必须引入批量评估（Mass Appraisal）方法。
批量评估是指一次性评估大批量房地产的方法，在批量评估方法的实践中，往往需要计算机作为辅助工具，因此，实际操作中所使用的批量评估方法一般都是“计算机辅助批量评估法”（Computer-Assisted Mass Appraisal,CAMA）。物业税税基的批量评估模型是建立在房地产价值理论评估方法和特征价格理论（Hedonic Pricing）思想的基础上的。[4]
影响房地产价值的因素是多方面的，包括一般因素、区域因素及个别因素，而在既定的经济条件和市场环境下，区域因素和个别因素成为决定房地产价值的两个重要方面。这两方面的因素在影响房地产价值的作用上是有层次的：区域因素定位区域内房地产平均价格水平；个别因素确定具体物业的评估价值。[5]在此基础上，我们采用了“区段+基准+修正”的批量评估体系，极大地提高了税基批量评估的精度和合理性。本文以居住类物业为例，说明批量评估体系的构建方法。
2.1 区段的划分
为便于计算机批量处理，在GIS平台下将评税区域打上格网，格网密度视该区域房地产市场活跃程度而定，较活跃区域采用密度大的格网，如50m*50m，不活跃区域采用密度小的格网，如100m*100m。对于居住类物业，选取商业繁华程度、路网密度、公共汽车站点、医院、中学、自然环境等因素作为区段划分依据，将各个因素进行量化，并将分值按相应的衰减模型赋给各个网格，每个网格分值是由各因素得分组成的一组向量a1=（a11,a12，…a1m）,a2=（a21,a22，…a2m），…；通常有两种方法衡量网格的分值差异：
(1)确定各个因素的权重，用格网的加权总分代表格网分值，权重确定的方法有德尔菲法、层次分析法、因素成对比较法等。将位置相邻且总分值接近的网格进行合并，合并后的区段考虑自然界限（如道路、河流、山川等）进行边界修正，形成评税区段。
(2)采用欧式距离衡量相邻网格的分值差异：
通过以上公式，比较任意一个网格与其相邻网格的差异值，根据区域的市场发展情况，调整同一区段允许的差异值，将相邻且差异值在允许范围内的网格划入同一区段，同时考虑自然界限的因素。
2.2 基准价格的确定
(1)归纳分析各区段代表性房地产及物业特性，并结合均质分区评价，选择确定各区段的主导因素，构建各区段内的影响因素权重模型。
(2)在评税区域均匀选择有代表性的土地、房产或房地产作为评估典型样点，详细记录样点的物业特征值，围绕评估样点采集整理房地产市场资料。
(3)根据所掌握资料，在每个区段内选择具有代表性、稳定性、中庸性、易辨性样点为该区段基准物业。
(4)根据估价规程，采用最适宜的估价方法确定基准物业的价格，并作为区段的基准价格。
2.3 修正体系的构建
通过分析各因素影响对房地产价值的影响方式和影响程度，将修正体系的模型分为两部分：
(1)同一区段内格网之间的修正。在同一区段内，根据格网间的分值向量进行修正，如由a0修正到ai。
式中：P0为基准物业价格；Pi为待估物业设定条件下的价格；fi,i=1,2，…m为权重；
a0=（a01,a02，…，a0m）———格网a0的分值；
ai=（ai1,ai2，…，aim）———格网ai的分值。
(2)设定条件下价格———现状条件下价格的修正。居住类物业由于朝向、楼层、物业管理、景观、建筑年代等个别因素的影响，会造成价值的差异，修正模型的第二部分即针对个别因素进行修正。
式中：为现状条件下价格；tr为修正幅度；r=1,2，…n1;Ks为修正额；s=1,2，…n2。
2.4 评估体系的更新
(1)区段的更新。区段的划分具有稳定性，一般只需对部分格网重新赋值，若区段内某些重要因素发生重大变化，则需要考虑是否需要重新调整区段。
(2)基准物业及其价格的更新。进行再评估时，应当考虑基准物业是否仍然满足要求，同时评估出基准物业在新基准日下的价格。
(3)修正体系的更新。检验模型对市场数据的拟合性，考虑是否需要更新相关参数或替换修正模型。
3 结论
由于物业税税基评估的特点，传统的逐个评估方法已不再适用，构建税基的批量评估体系就十分重要。建立“区段+基准+修正”的批量评估体系构建方法，将区域因素和个别因素有层次地纳入评估模型中，评估精度较以往的批量评估体系有很大的提高。
参考文献
[1]李旭红、孙力强:《物业税税基评估方法及其相关问题的解决》[J];《涉外税务》2008(1):25-34。
[2]纪益成:《再论税基评估的有关问题》[J];《中国资产评估》2005(7):5-7。
[3]纪益成、傅传瑞:《批量评估:从价税的税基评估方法》[J];《中国资产评估》2005(11):5-9。
[4]周叔敏:《不动产税征收中的税基评估方法》[J];《中国资产评估》2005(7):8-11。
批量评估技术 篇5
集体林权制度改革后，林农以户为单位的经营面积一般不会太大、小班个数亦较少，当要对大量林农散户及小班进行评估时，如采用一般的森林资源资产评估方法，评估工作量将非常之大，计算繁琐，从而耗费大量人力、物力且效率低。批量评估能够实现低成本、高效率地完成大规模目标资产的价值评估任务，为森林资源资产评估提供了新思路和新方法。
2、多元线性回归分析理论
2.1 多元线性回归数学模型
多元线性回归的数学模型为：
式（1）是一个p元线性回归模型，其中有p个自变量。ε, β0, β1，…，βp都是模型中的未知参数，分别称为回归常数和偏回归系数，ε称为随机误差，它服从均值为0，方差为σ2的正态分布。
多元线性回归模型的假设理论：
零均值假设。随机误差εi的数学期望为零。
等方差性假设。所有的随机误差εi都有相同的方差σ2ㄢ
序列独立性假设。任何一对随机误差之间相互独立。
正态性假设。所有的随机误差εi服从均值为0，方差为σ2的正态分布。
2.2 残差分析与模型错误补救方法
2.2.1 残差分析
所谓残差e是指由回归方程计算所得的预测值与实际样本值之间的差距，它是回归模型中ε的估计值。在回归分析中，一般很难得到总体误差项的真实值，而是用样本回归直线的残差项来近似地估计总体误差值，这种对残差项进行的分析叫做残差分析。SPSS软件提供了进行残差分析的图形分析和数值分析两种有效工具。
2.2.2 模型错误补救方法
如果进行残差分析时，发现有违背基本假设情况，应该考虑修改模型、进行适当的变换。例如，常用对数变换、平方根变换或倒数变换来补救偏离正态或偏离线性模型的问题。违背基本假设是一个比较复杂的问题，可能要反复试用多种方法并反复进行残差分析，最终才能找到比较合适的模型。
3、基于多元回归分析的森林资源资产批量评估模型
3.1 数据收集与数据分析
3.1.1 研究相关假设
对森林资源资产进行评估是一个比较复杂的问题，为了简化问题，使研究能顺利进行，作如下假设：
假设1:考虑林种为用材林，只考虑有杉木、马尾松、阔叶树三种树种的情形；
假设2:本研究中的各树种起源为人工林（天然林研究相类似）；
假设3:本研究收集的数据龄组是成熟林。
3.1.2 特征因素分析与数据收集
通过分析小班数据及经济技术指标、参考相关书籍和咨询评估专家，进一步研究得出影响成熟林单位评估值的主要因素有：平均胸径、平均树高、亩蓄积、销售价格、出材率（可由胸径、树高决定）、树种、木材经营成本（含税费）。分树种收集，一共收集了85条小班数据（数据来自永安林业股份有限公司），采用不同的销售价格（原木销售价格：400元/M3～1000元/M3，综合材销售价格：200元/M3～800元/M3），对小班数据进行重新评估，得到成熟林样本数据，共255条。
3.1.3 数据分析
在深入讨论多元回归模型建立之前，必须先检验多元回归分析所具备的正态性和线性关系的前提条件是否满足。
1) 正态性检验
利用SPSS软件进行正态性检验可知:亩蓄积v的变化范围为2.20立方米～28.90立方米，然而其均值为9.8855立方米，偏度系数为1.823。这个变量分布具有较大的偏度系数。对其作变量变换：lv=ln (v) 。
2) 线性检验
用SPSS生成的散点图如图1所示，从图中最后一行可以判断，单位评估值与销售价格price1、price2的线性关系很明显，而与其他自变量的线性关系不明显，在模型建立时，需进一步分析自变量与因变量之间的关系。
3.2 回归模型建立与假设检验
3.2.1 成熟林批量评估模型建立
由第一节对有关多元回归分析讨论可以知道，森林资源资产成熟林批量估算模型的可以写成如下形式：
其中：lv是亩蓄积的自然对数，变量V6、V7是引入表示树种的哑变量：
V6=0, V7=0，表示树种为杉木；
V6=0, V7=1，表示树种为马尾松；
V6=1, V7=0，表示树种为阔叶树。
采用逐步回归法筛选变量，并反复进行残差分析，得出当对销售价格取平方根时 (sqp1=sqrt (price1) , sqp2=sqrt (price2) ) ，模型满足假设条件。
得到回归模型如下：
杉木的多元批量评估模型为：
马尾松的多元批量评估模型：
阔叶树的多元批量评估模型：
3.2.2 成熟林批量评估模型假设检验
第一步，进行残差正态性检验。利用SPSS进行的残差K-S检验。可以得到：Sig.等于0.147，大于0.05，正态性假设成立。
第二步，检验零均值与等方差性。
从图2看出，点随机落在如图的（-2, 2）带域内，而且没有任何趋势，均值为0，等方差性的假设成立。
第三步，检验序列独立性
在K-S检验中可知DW值为1.834，偏离2不会太远，满足独立性要求。
经检验，所建立的模型满足假设，该多元回归模型成立。
4、模型有效性确认
模型建立完成后，从森林资源数据中选择具有代表性的数据，进行重新评估，得到检验样本。表1是成熟林测试数据表。
经计算得到相应的单位评估值的预测值，将预测值与实际值进行对比，比较结果如表2所示：
从上表2可以看出，成熟林批量估算模型对检验数据的吻合性很高，相对误差绝对值都小于5%。
5、结论
应用多元回归分析的思想和方法，建立批量评估模型来估算森林资源资产的单位评估值，经检验认为模型是准确有效的。
参考文献
[1].全国注册资产评估师考试用书编写组编.资产评估[M].北京:中国财政经济出版社, 2006.
[2].纪益成, 王诚军, 傅传锐.国外AVM技术在批量评估中的应用[J].税基评估.2006, 13-17.
[3].罗江滨, 陈平留, 陈新兴.森林资源资产评估[M].北京:中国林业出版社.2002.
[4].东方人华主编.统计基础和SPSS11.0入门与提高[M].北京:清华大学出版社, 2004.
发票批量打印技术设计与应用 篇6
打印发票是最常见的业务,各行各业都涉及到。但是当每次打印上万张,甚至几十万张时,仅靠传统的手工输入地税系统进行打印的方式不仅效率低下,而且准确率也难以保证,短时间内完成这项业务,是很困难的。本文给出了一个发票批量打印的实现方法,该技术能够在初始化各项参数后,自动批量打印发票明细、发票代码、发票号码,并且能够保证发票纸质上的发票代码与发票号码,与系统中的发票代码和发票号码一一对应,并且在打印过程中,发票号码自动增加,达到了无人值守,自动化的实施效果。同时具备生成XML格式的已打印发票信息数据功能,能够与地税系统进行无缝对接。
1 发票打印系统简介
发票打印系统是一款基于Delphi语言开发的C/S模式的财务发票管理软件。它包括开票管理,功能设置,字典管理三大功能模块。其中开票管理模块包括数据导入,初始化代理,上传代理,查询代理,导出代理数据,导入代理数据,发票打印,发票管理等功能;功能设置模块包括打印机设置,修改密码,软件注册,发票号码起始值等功能;字典管理模块包括全局数据设置,客户管理,客户数据导入,用户管理等功能。
2 数据导入模板设计
开票管理模块中的数据导入是以EXCEL标准模板为基准的。该模板具有的标题列有付款方编号,付款方名称,开票日期,开票内容,单价,数量,金额,折扣额,金额合计,备注,行业代码,发票代码,发票号码等。而且它分为两大类型,一种类型为开票明细为单项数据的,比如只有一行开票内容为“快件费”的明细信息,这在打印的发票内容区域中,只有这一行信息。另一种类型为开票明细为多项数据的,开票的总额等于各明细项的金额之和。例如开票内容有一项“快件费”的明细之外,还有一项“报关费”的明细,这张发票内容就是具备两条明细信息的发票了。为了使得系统能够识别多行明细信息,通过在excel模板中加入一列“发票序号”的方式来实现,发票序号为“1”,代表第一条明细,如果还有明细,发票序号就设置为“2”,如果没有了,就是下一个开票信息的发票序号,同样也是以“1”开始。按照这个模板设置的EXCEL数据表,通过开票管理的数据导入功能,可将数据导入到系统数据库中,供批量打印时使用。
3 总体设计策略
3.1 数据库设计
针对每张发票信息可对应多项发票明细的情况,设计了两个表:一个表为发票信息表(fp);另一个是发票明细信息表(fpdetail)。发票信息表主要有以下字段组成:唯一id、流水号、发票代码、发票号码、开票日期、行业代码、行业名称、发票序号、付款方编号、付款方名称、金额、备注、币种、汇率、外币金额、开户银行、银行账号、开票人姓名、收款方名称、纳税人识别号、验证码、发票状态、作废人代码、作废人名称、作废日期、原发票代码、原发票号码、航班、起运地、目的地、到离港日期、装货港、卸货港、牌价日、内网编号、导入时间、打印时间、编辑时间、提交状态、请求时间、响应时间、报文流水号、打印状态等;发票明细信息表主要有以下字段组成:唯一id、序号、提单号、明细项目代码、明细项目名称、单价、数量、折扣额、行金额、是否扣除、主表流水号、附注等组成。通过发票明细信息表中的外键(主表流水号)使得主表能够储存多条明细信息。
3.2 批量打印关键技术设计
要保证批量打印成功运行,首先需要通过初始化设置,然后对导入的数据进行管理,并对查询出来的数据进行核实整理,最后进行批量打印。设计的整体流程如下:
Step1:设置好财务专用打印机和发票代码以及发票起始号码,并且核实打印机中的发票纸张上的发票号码与系统中的发票起始号码是否相同;
Step2:将以导入模板为基础整理好的待打印发票信息导入到系统中;
Step3:在发票管理界面中,将需要打印的所有未打印发票信息查询出来,并根据总的显示的信息条数,来确定本次批量打印的数量是多少张,进而确定需要循环打印多少次。对于每张发票信息,系统通过调用唯一流水号,确定其发票明细,并将需打印的表单信息提交给打印机进行工作。发票查询与打印的管理界面如图1 所示。
3.3 XML对接报文设计
为了确保生成的XML文件能够被地税财务发票系统所识别,首先需要设置好代理服务器对接参数,其意义说明如下:
(1)代理IP地址: 是安装了地税局代理软件的服务器IP地址;(2)代理端口号: 是安装了地税局代理软件的服务端口号;(3)代理应用URL:是地税局代理软件应用服务逻辑地址;(4)税务管理码:税务局分配给公司的管理码;(5)代理完整URL:是根据前面几个参数自动生成的完整URL,在上传代理参数时作为POST的url;(6)应用服务器ID:是应用服务器的id编号;(7)业务系统ID:是发票打印系统软件的业务ID编号;(8)发票种类代码: 是地税局分配的发票种类代码;(9)模板编号:是根据代理服务器接口规范中设定的编号;(10)
发票份数:是一次上传的时候需要上传的发票份数,决定上传代理的频率,设定值最大不超过200,因为越大每次上传的报文越大,出错的风险也越大。 生产的XML对话框如下图所示。
4 应用示例
在经过初始化设置,数据导入,以及打印发票信息查询,批量打印操作后,便能够进行自动化的打印处理了,打印的张数是由所查询出来的待打印数据条数所决定的。下图3 是打印后的一个模拟示意图。
5 结束语
本文给出的一种发票批量打印技术对于那些单次需要打印多张发票的企业,尤其是快递行业,无疑是一种比较好的提高财务管理效率的解决方案。
摘要：介绍了发票批量打印技术的设计过程和实现思路,构建了一种可无人值守、自动批量打印、准确对应发票明细、发票代码和发票号码的发票打印系统,并设计了基于XML技术的对接模块,与地税发票系统进行了无缝对接。实际应用表明,能有效提高财务管理人员的办公效率和准确率。