编译产物反向工程 · asset-divergence-lab

老破小排序器

把「北京房产价值评估」的打分链路从压缩后的 JS 里完整还原，再用它自己公开的 8663 条小区数据跑一遍。结论：那个叫「决策价值分」的东西，和它宣称衡量的居住品质统计上无关。

拆解对象 LiuLi4/asset-divergence-lab 数据 community-values.json · 8663 条 拆解日期 2026-08-20

公式全部还原完毕，我用 Python 重写后与它公开数据中的已有字段逐条对齐验证：流动性分 2769 条 100% 吻合，品质分四维加权 R²=0.78。

还原之后能看清一件事：「决策价值分」的排序，几乎完全由「比周边便宜多少」和「180 天成交几套」两个开关决定。品质分在其中被稀释到近乎不起作用——决策分 Top 100 的小区，品质分中位数是 79；全市中位数也是 79。

还原出的完整计算链路

五层，全部是确定性的线性加权，没有任何机器学习成分。前两层在数据管线里算好写进 JSON（私有仓库），后三层在浏览器里实时算。

品质分 · qualityScore

品质 = 职住 ×30% + 生活 ×20% + 交通 ×15% + 环境 ×20% + 户型 ×15% 职住 = 到最近的 7 个硬编码就业中心的大圆直线距离分段： ≤2km→75 ≤5km→69 ≤8km→62 ≤12km→54 ≤18km→45 ≤25km→36 >25km→25

就业中心是七个写死的经纬度点（金融街、国贸 CBD、中关村、上地/西二旗、望京、亦庄、运河商务区）。界面上这一项的说明写的是「高峰门到门时间、核心岗位密度、路线稳定性与新增供给压力」——实际实现里一个都没有，只有直线距离。作者在数据里老实标了「覆盖度 40%，仅作通勤弱代理」，但用户看不到。户型维度在小区层根本不评分。

流动性分 · liquidityScore

流动性 = min(40 + 5 × 近180天成交套数, 100)

就这一行。2769 个已评分小区百分之百吻合，我逐条比对过。不除以小区总户数、不看挂牌量、不看去化周期。成交满 12 套即封顶。结果是大盘天然满分、小院永远垫底。

价格机会分 · priceOpportunityScore

价格机会 = clamp(50 + 同质折价% × 3.5, 0, 100) 而同质折价本身已被硬夹在 ±30%

系数 3.5 意味着：折价只要超过 ±14.3%，分数就被压成 0 或 100。实测 2769 个已评分小区里，46.7% 落在这两个端点上（707 个 0 分、586 个 100 分）。这一层实际上被退化成了一个三值开关。

资产性分 & 砖头风险分

证据置信 = 市场置信 ×70% + 五维覆盖度 ×30% 资产性 = 品质 ×55% + 流动性 ×25% + 证据 ×20% − 风险扣分砖头风险 = 100 − (品质 ×50% + 流动性 ×30% + 证据 ×20%) + 风险扣分 ×1.5

砖头风险几乎是资产性的镜像，两者共用同一批输入，只是权重和符号不同。全量数据上砖头风险最高只到 64——而判定「砖头型」的阈值是 65。

决策价值分 · purchaseValueScore

原始分 = 资产性 ×55% + 价格机会 ×30% + 流动性 ×10% + 证据 ×5% 若证据置信 < 40 → 封顶 64 若品质 ≤ 60 或资产性 < 55 → 封顶 64 分档：≥80 强 / 65–79 观察 / <65 谨慎

这就是地图上每个点的颜色。展开看：品质分的实际权重是 55%×55% = 30.25%，而价格机会（30%）加流动性（55%×25% + 10% = 23.75%）合计 53.75%——已经过半。再叠加第 02、03 层的极端截断，品质那 30% 基本被淹没。

三个致命发现

系统性偏差

它把「体量大的老破小」评成了北京最值得买的房子

这不是抽样印象，是把全部 2769 个已评分小区跑完之后的分布事实。

按还原出的决策价值分排序，三组样本对照（单价单位：元/㎡，均为中位数）
样本组	参考单价	同质折价	180天成交	品质分	单价／周边中位价
决策分 Top 100	42,694	+19.8%	14	79	0.88
全市 2769 个已评分	54,904	−0.1%	3	79	1.02
决策分 Bottom 100	65,456	−27.6%	1	75	—

79 / 79

Top 100 的品质分中位数／全市品质分中位数——完全没有区分

品质分最高的 20 个小区，决策分中位数只有 56，落在「谨慎」档

77 / 61

Top 100 中价格机会满分的个数／流动性满分的个数

机制很清楚：大体量老小区 → 成交套数多 → 流动性 100；房龄老 → 比周边次新便宜 → 折价 >14.3% → 价格机会 100。两个满分叠加，直接冲上全市榜首。而真正决定居住品质的那一层，权重只剩三成，且分布本身极度压缩（全市标准差仅 7.9，一半小区挤在 75–84 之间）。

它把「持续比周边同类便宜」读成了买入机会。但在真实的北京二手房市场上，同地段同类型长期折价通常意味着房子有具体问题——顶层、临街、朝向、房本、单位产权、无电梯。模型没有房龄、没有产权性质、没有学区，所以分不出「便宜是因为被低估」还是「便宜是因为有毛病」。

小红书评论区已经有人凭直觉指出来了：

为何海淀区评分高的小区大多数是老旧公房小区和回迁房小区？其实不太受市场欢迎 —— 小红书用户评论，2026-08-19

她说对了，而且原因就在上面那两行公式里。

还原出的全市决策价值分 Top 15。注意价格机会与流动性两列几乎全是满分
决策分	小区	区	品质	价格机会	流动性	参考单价
94	本家润园(C区)	东城	91	100	100	79,690
94	冠城名敦道(A区)	东城	89	100	100	58,385
92	上元君庭	朝阳	83	100	100	62,754
92	弘善家园	朝阳	85	100	100	37,790
91	芳城园(一区)	丰台	80	100	100	45,996
91	三环新城7号院	丰台	81	100	100	43,993
91	西罗园四区	丰台	81	100	100	37,181
91	汇锦苑	丰台	80	100	100	37,046
91	都会华庭	朝阳	85	96	100	51,699
91	九龙花园	朝阳	80	100	100	49,303
91	怡美家园	海淀	79	99	100	67,192
91	志新村小区	海淀	81	100	100	67,660
91	清上园	海淀	80	100	100	59,068
91	明光村小区	海淀	79	100	100	75,607
91	时尚街区西区	通州	80	100	100	28,428

死代码

宣传的「三型判断」，有两型在全量数据上永远触发不了

小红书文案写的是「资产型看保值与流动性，收租型看净租金与抗空置，砖头型识别折旧和退出风险」。还原出判定逻辑后逐条验证：

收租型 / 混合型——判定依赖 rentalEvidence（年租金、空置率、持有成本、租客需求）。公开数据 8663 条里 0 条有这个字段。界面永远显示「待补租金、空置与成本」。
砖头型——需要砖头风险分 ≥ 65。全量数据上该分最高 64，已评分小区中触发数为 0。
实际只输出两种：资产型 1261 个、不确定 1508 个。

宣称的三分类框架，三分之二是空转的。这一条我不认为是有意误导——更像是模型设计走在了数据前面，管线没跟上。但对着屏幕做决策的人分不出这个区别。

时效

成交数据落后整整一年，界面上标的却是「近 180 天」

把 2896 条带成交日期的记录全部拉出来：最新一笔 2025-08-01，最早 2025-02-07，集中在 2025 年 6–7 月。今天是 2026-08-20。

与此同时，OSM 那部分证据的采集时间戳是 2026-08-09，公积金和 LPR 政策更新到 2026-08-08——都是新鲜的。三套时间尺度差了一整年的数据被拼在同一张卡片上，界面不作区分。

更麻烦的是这个字段直接喂给了流动性分。所谓「近 180 天成交 14 套」，实际是一年前的那 180 天成交了 14 套。上游数据源 flowerwithoutbee/beijing-property-dashboard 最后推送于 2026 年 4 月，本身也已停更。

公平地说，它做对的部分

金融测算那一半是真下了功夫的，和空间评分不是一个水准：公积金与商贷分账、等额本息逐月摊还、买房与租房理财的双路径终值对比、用二分法反解「临界房价涨幅」、双变量压力测试。政策常量全部带来源和文号——京建发〔2026〕400 号、公积金中心业务问答、2026-07-20 的 LPR——还做了「超过 72 小时提示复核、超过 7 天标记过期」的机制。

数据自身的诚实度也高于行业平均：每个维度都带 coverage 字段（环境只标 25%、职住只标 40%），8663 个小区里 5894 个主动标为「证据不足，暂不评分」，界面反复写着「分数不是结论，只是下一步实地核验的顺序」。

问题出在传播层：这些边界写在 JSON 字段和小字里，而首页给出的是一张全北京彩色打分地图。普通用户拿走的是颜色，不是覆盖度。

自己复现

下面这段能完整重跑第 01–05 层。数据文件直接从它的公开仓库取，无需登录。

# 1. 取数据（仓库只有编译产物，源码在私有仓库，但数据是公开的）
git clone --depth 1 https://github.com/LiuLi4/asset-divergence-lab.git
cd asset-divergence-lab/site

# 2. 还原出的核心公式（Python）
import json, math

clamp = lambda v,lo,hi: min(hi, max(lo, v))

# 第 03 层：价格机会分（源码里的 Xf / Gc）
price_opp = lambda disc: clamp(50 + disc * 3.5, 0, 100)

# 第 04 层：资产性分（源码里的 cc）
def asset(q, liq, ev, risk):
    return round(clamp(q*.55 + liq*.25 + ev*.2 - max(risk or 0, 0), 0, 100))

# 第 04 层：砖头风险分（源码里的 vf）
def brick(q, liq, ev, risk):
    return round(clamp(100 - (q*.5 + liq*.3 + ev*.2) + max(risk or 0,0)*1.5, 0, 100))

# 第 05 层：决策价值分（源码里的 wf）
def purchase_value(q, po, liq, ev, risk):
    a = asset(q, liq, ev, risk)
    r = a*.55 + po*.3 + liq*.1 + ev*.05
    if ev < 40:            r = min(r, 64)
    if q <= 60 or a < 55:  r = min(r, 64)
    return round(clamp(r, 0, 100)), a

# 3. 验证「流动性 = 40 + 5×成交」这条（应输出 100%）
c = [x for x in json.load(open('data/community-values.json'))['communities']
     if x['dataStatus'] == 'scored']
ok = sum(x['liquidityScore'] == min(40 + 5*x['transactions180d'], 100) for x in c)
print(f'流动性公式吻合率 {ok/len(c):.1%}')   # → 100.0%

证据置信那一层还要叠一个五维覆盖度加权（证据 = 市场置信×70% + 覆盖度×30%），覆盖度按第 01 层同一组权重、用每个小区 qualityEvidence.coverage 里的实际值算。上面表格里的全部数字都是这样跑出来的。

对规划口的意思

这份拆解真正值钱的地方不在于挑出了毛病，而在于它演示了一件事：当空间品质的度量做不细时，它在综合评分里会被自动挤出去。

这里的品质分名义权重 55%，实际影响权重 30%，而且因为底层只有 OSM 邻近性、分布压缩在 20 分区间内，它在排序上几乎不产生位移。真正驱动排序的是两个能拉出满分差距的粗变量——便宜、好卖。模型不是不想看品质，是品质那一侧的信号太弱、太平，压不过另外两侧的极端值。

而「品质那一侧的信号」恰恰是规划口手里有、市面上没有的东西：真实路网的步行时间而非大圆距离、按格点算的岗位可达而非七个硬编码质心、进出站客流、房龄与产权性质、更新与征收预期、管控边界。把这些接进去，第 01 层的分布立刻能拉开，第 05 层的排序也就跟着变了。

换句话说，它现在的样子不是方法论选择，是数据约束的必然结果。