打开文本图片集

摘要：随着上海城市化进程加快城市中心城区房源紧张导致大多青年人才饱受通勤困扰；此外，中心城区住房普遍面积小、无电梯，加上市区喧闹和污染不适合老年群体生活。因此，本项目聚焦政府试点的“趸租”模式，以促进公共资源的高效利用均衡发展，充分激发城市创新发展活力，改善养老生活质量。首先，本项目在获取地图后在百度地图API爬取房屋地经纬度坐标，再基于K-means聚类算法实现地图可视化找房。其次，基于网络层次分析法（Analytic Network Process，ANP）和熵权法建立用户房屋评价模型，规划出最贴近用户期望的理想房屋。最后，采用SVD协同过滤对“趸租”模式匹配进行训练，形成个性化需求进行推荐。本项目为“趸租”模式提供切实可行的解决方案，也为资源分配不合理问题做出贡献。

关键词：“趸租”模式、K-means聚类、ANP、熵权法、SVD协同过滤

一、国、内外研究现状和发展动态

1.“趸租”模式在国内的发展

自2011年起，北京市实施了长期租赁农民富余定向安置房并纳入公租房体系的“趸租房”政策。广东省深圳市探索民企长租城中村并改造提升，上海则于2023年8月在多个街道试点五年“趸租”模式，为参与试点的老人提供改造后的各类租赁房屋。

2.租房模式在国内的研究现状和发展动态

在中国，租房模式经历了从传统中介租赁到线上租房平台的转变。早期，由于互联网未普及，人们主要依靠房产中介公司寻找和租赁房屋，这一方式虽普遍但存在中介费高、信息不对称及欺诈的风险。随着互联网的快速发展，线上租房平台成为越来越多人的选择，这改变了租房市场，使之更加便捷、高效和透明。

国内学者吴建林（2022）、路程伟（2023）通过研究发现，相比传统模式，新兴的线上租赁模式在租客居住体验上有显著优势，但也指出了其潜在的弊端。陈奇龙（2019）等人基于区块链技术研究了租房平台的主要功能及非功能性需求。张沁怡（2021）等人则利用数据挖掘技术分析了租房平台用户参与动机，进一步深化了对线上租房平台特性的理解。表1是针对国内现有租房平台的相关调研：

3.租房模式在国外的研究现状和发展动态

在国外，租房模式和平台也受到了广泛研究。Koster（2021）等人探讨了技术创新对租房平台未来的影响，Edelman（2015）等研究了在线平台与市场匹配的关系。Saiz（2019）等分析了政策对租房模式的影响。Sundararajan（2017）等则研究了共享经济对租房市场的作用。表2是针对国外现有租房平台的相关调研：

二、研究内容

1.国内租房模式和平台与“趸租”模式的创新意义

目前的国内租房平台通过详细筛选条件如区位、价格等帮助租客预选房源，但仍存在权益保障不足和看房效率低下等问题急需解决。本次上海市政府推出的“趸租”模式是由中国建设银行上海分行和上海建信住房公司执行，旨在提供优质居住环境，满足老年人和中心城区青年的居住需求，促进公共资源的高效和均衡利用。上海市14个街道试点的“趸租”模式政策，旨在解决市区“老破小”住房问题和新城区房源利用不均衡的问题。这个政策的主要支持细节包括以下几个方面：

（1）改善老年人居住环境

该政策面向60-75岁健康老年居民，拥有市区一室户或一室半户成套房屋者，提供换居机会。老年居民可将房屋市价租给指定的承租方——上海建信住房服务有限公司，该公司对房屋进行改造后用作人才公寓，以高效利用公共资源。

（2）提供精装房供选择

老年人出租老旧市区住房后，可选择搬进新城区的精装两居室，提供更大、更适合生活的空间。在新城区，租金相对较低，老年人可以用更少的费用享受更好的居住条件。

（3）差价补贴

在五年租期内，老年人每月可获得承租方支付的两处房源租金差额，即市区老旧住房与新城区两居室的租金差。这不仅提升了居住条件，还为老年人带来额外经济补贴，提高生活品质。

（4）公共资源优化配置

通过这种“趸租”模式，政府能够更有效地利用和分配城市中的公共资源，使得新城区的房源得以充分利用，同时满足不同人群的居住需求。

2.基于K-means聚类结合数据可视化技术的地图找房

首先，我们通过可视化技术获取上海市地图，再使用百度地图API爬取“房屋地址”信息，并将其转换为经纬度坐标保存。然后，添加气泡散点数据制作房屋数量分布图。最后，利用K-means聚类算法实现地图搜索功能，使得展示的信息随地图缩放比例变化：在最大缩放比下，显示整个城市（如上海市）的租房信息概览；缩放至特定区域（如浦东新区）时，显示该区域的房屋数量和均价等详细信息；进一步缩放至小区级别（如张江镇）时，关注点转向房源的具体信息，如数量、均价、质量和层高等，而位置属性的重要性降低。

3.基于网络层次分析法和熵权法的个性化需求筛选

在分析影响用户租房选择的因素时，本项目选择了地理位置、通勤时间、房价和设施需求等数据，并通过K-means聚类帮助用户初步筛选目标区域房源。同时，为了消除原始数据与各指标单元之间量纲的差异，本文先对指标进行标准化，考虑用户主观偏好，如户型和装修风格，调整权重，再利用ANP与熵权法的算术平均值来进行权重衡量，根据每个评价对象的权重与标准化后的值，从而对客户满意度进行分区评估与综合评估，为用户规划理想房屋。客户满意度评估公式如下：

其中，为权重的调节系数，则就是第个评价对象的加权综合评价值。

4.基于SVD协同过滤的后台推荐算法

本项目设计的后台推荐算法首先对租户上传的个人信息进行双重审核保证——机器审核和人工审核，在保障个人隐私安全的同时再提供后续个性化推荐。随后，在冷启动阶段为新注册用户提供基于个人偏好的推荐，综合考虑房屋地区、价格、交通等因素。最后通过建立专属网络，结合SVD协同过滤技术为用户找到最理想的选项类别，形成精品推荐池后进行大数据推送。

5.“趸租”模式匹配选择生成器的创新点

在本项目设计的“趸租”模式匹配选择生成器前端设计中，首先通过基于K-means聚类的地图找房技术根据用户对地区位置的需求确定目标区域内的房屋数量，然后根据用户的个性化需求筛选合适房屋，旨在提供低成本且高标准的居住条件。后端设计利用网络技术和SVD协同过滤算法进行相似推荐，结合人工智能推荐算法为租户匹配符合其要求的房屋。

三、创新点与项目特色

1.巧用专业知识，解决实际难题

随着大城市的“虹吸效应”越来越多的年轻人涌向心之所向的如北上广深的大城市，城市高昂的房价往往是最令青年们最头疼的问题，枯燥的通勤时长，高昂通勤成本，包括通勤带来的环境能源污染也成为影响人们幸福指数的重要因素。因此，本项目通过“趸租”模式不仅能让老人拥有更舒适的环境，还能满足在中心城区就业的青年人才职住平衡的安居需求，进一步促进公共资源配置高效利用、均衡发展。首先，本项目利用K-means聚类的地图找房，通过可视化方法更直观的展现出地区房屋数量。其次，通过用ANP-熵权法完成个性化筛选，SVD协同过滤方法不断优化推荐池内容，最终为双方找到合适的匹配对象。

2.聚焦社会热点，极具社会价值

习近平总书记在党的二十大报告中指出坚持“人民至上”是中国共产党性质宗旨的集中体现，我们党着力增强人民的获得感、幸福感、安全感，努力让人民过上幸福生活。而本项目实质上聚焦于社会实际问题，是帮助执政纲领实际实施的有利方法和可行措施。根据前期调查，住在上海市区“老破小”的老年人，和住在郊区却在市区上班的年轻人是两个庞大的群体，且其中满足交换条件又有交换意愿的双方也不在少数。因此，本项目解决了不少社会问题，如装修市区的“老破小”更是城市现代化建设一必要举措；在减少通勤时间的同时也能缓解交通资源不必要的损耗，降低交通压力，还能减少城市交通污染。将更多年轻人引入市区促进城市的年轻化使城市发展显出青春蓬勃的态势。

四、技术路线

1.文献研究法

本项目通过研究上海市的房屋规划和相关数据，了解“趸租”政策的发展和研究现状，发现问题并确定研究方向、对象和目的。

2.问卷调查法

本项目通过问卷调查收集数据，了解城市中心老破小老年住户们和郊区需长时间通勤的年轻住户对于“趸租”的看法、建议，及目前对于房屋置换平台的需求量。

3.基于K-means聚类算法的地图找房

（1）基于地理位置的租房信息聚类

平台收到的样本数据包括小区经度、小区纬度和出租房源数目，用于对当前城市的租房信息进行聚类。在聚类过程中，经度和维度作为整体属性决定中心点的位置。确定k值后，根据权重计算欧氏距离形成k个簇，并计算中心点位置，通过迭代使新中心点与原中心点重合或达到阈值。

（2）地图比例比例变化时的K-means重聚类分析

在地图找房的过程中，用户关注的信息随着地图缩放比的变化而变化。以上海市为例，我们将从城市到一个建筑物的精确定位定义为8级缩放级别。根据五类分级，如表1，选择不同缩放比下的聚类属性进行K-means聚类。

（3）位置移动下K-means重聚类分析

在地图找房时，除缩放比改变引起地图区域的变化外，在地图上进行不同方位的移动也会引起地图区域的变化，针对这种变化需要利用新数据进行重聚类。以便得到更好的房屋特征。

4.网络层次分析法-熵权法个性化筛选

本项目将搜集来的房屋各个指标分为一级指标和二级指标，以构建房屋评价体系，并将ANP的主观赋权与熵权法的客观赋权相结合。ANP构建了多层次的房屋指标决策模型，进而依序构建了无权重超矩阵、权重超矩阵及极限超矩阵，实现了ANP模型主观权重求解。引入熵权法修正了ANP法的主观性，利用距离函数将主客观权重集成，保持了主、客观权重与偏好系数的一致性，得到了各项指标的综合决策权重，最大程度上保证用户的需求。

5.SVD协同过滤推荐算法

首先，用户上传的内容会经过机器审核和人工审核的双重保障审核，违规内容将被删除或封号，以规范网络环境。审核通过的内容将在冷启动环节中获得流量曝光，然后进入推荐算法的核心部分。接着，通过用户历史浏览记录确定节点，建立房屋之间的相关性网络，并结合LP指标与Katz指标计算相似度，从三阶邻居贡献性以及全局性综合考虑，确保推送内容与用户兴趣高度相似。最后利用AUC进行链路预测验证推送内容与用户历史浏览内容的联系，并通过SVD的协同过滤算法衡量系统的鲁棒性，形成用户专属网络并推送与用户偏好相关的商家至精品推荐池，完成个性化后台推送。

五、总结

本项目聚焦于解决城市中心区房源紧张、青年人通勤困扰和老年人居住环境不适的问题，通过政府试点的“趸租”模式，促进公共资源的高效利用和均衡发展。我们通过可视化技术获取上海市地图，利用百度地图API爬取房屋地址并转换为经纬度坐标，通过K-means聚类算法实现地图找房功能。同时，运用网络层次分析法和熵权法建立用户房屋评价模型，规划出最符合用户期望的理想房屋。最后，采用SVD协同过滤方法对“趸租”模式进行个性化需求推荐。

六、未来展望

本项目为“趸租”模式的实施提供了实际可行的解决方案。在未来，可以进一步完善和扩展该项目，以更好地满足人们的住房需求。以下是一些未来的展望：

1.数据更新和优化：持续监测和更新房屋数据，确保信息的准确性和时效性。同时，优化算法和模型，提高匹配精度和推荐效果。

2.平台建设和合作拓展：建设一个用户友好的在线平台，提供便捷的地图找房功能和个性化推荐服务。同时，与相关政府部门和房屋租赁机构合作，扩大项目的覆盖范围和影响力。

3.社区建设和服务提升：与社区合作，提供更多的社区服务和便利设施，改善居住环境。通过社区活动和交流，促进青年人和老年人之间的沟通和互助，营造更加融洽的社区氛围。

4.政策支持和倡导：与相关政府部门沟通，争取政策支持和资金投入，推动“趸租”模式在更多城市得到推广和应用。同时，倡导社会各界关注住房问题，共同努力改善人民的生活质量。

参考文献

[1]刘贝玲，齐华，曹振宇等.基于天地图的移动租房软件设计与实现[J].地理信息世界，2015，22（03）：62-67.

[2]张勋，刘永强，肖俊龙.基于熵权的网络层次分析法在水利工程项目投标风险决策中的应用[J].水电能源科学，2017，35（02）：161-164.

[3]朱俊，韩立新，宗平等.基于时间聚类和用户动态相似度的自适应位置推荐算法[J].计算机科学，2023，50（12）：113-122.

[4]Koster H R A， Van Ommeren J， Volkhausen N. Short-term rentals and the housing market： Quasi-experimental evidence from Airbnb in Los Angeles[J]. Journal of Urban Economics， 2021， 124： 103356.

[5]Saiz A. Some brief thoughts on housing supply and policy[J]. Hot Property： The Housing Market in Major Cities， 2019： 109-119.

[6]Fraiberger S P， Sundararajan A. Peer-to-peer rental markets in the sharing economy[J]. NYU Stern School of Business Research Paper （First version March 2015， 2017.

作者简介：王韵瑜2003年，汉族，女，籍贯：江苏，本科在读，研究方向：应用统计学，单位：上海立信会计金融学院，

课题来源：该文章受到上海立信会计金融学院大学生创新创业训练计划项目资助，课题名称：基于协同过滤算法的房屋“趸租”模式研究——以上海市为例探讨社会化养老及资源分配问题，课题号：S202411047069，