［庄丹 曹海山 郭向荣 陈庆专 张姣 邓金荣 徐志峰 林敏玲］

1 引言

目前汕头公司每年租金支出高达数千万元，而基站租赁费分级评审均为按照区域内划定上限进行评审，周边同类型、同配置的基站租金水平无法呈现，租金影响因素较为主观，谈判时缺乏客观参照依据。

因此，探究科学的基站租金模型势在必行。针对基站租金合理性评估问题，本文通过分析基站租赁特性，结合位置信息、基站建设模式、机房建设类型、场景类型、周边各运营商站点租金等，构建一种适用于通信基站租金的定价模型，为运营商基站租金谈判、降本增效提供科学有力的支撑信息。

2 通信基站用地租赁的特征[1]

第一是分布广，通信基站遍布全国，密集城区、城乡结合部、乡镇、农村等各类型的地方均有分布。

第二是竞争性不足。通信行业由移动、联通、电信、铁塔四大企业控制，用地主体单一，市场价格与周边原有租金水平相关。

第三是用途受限。通信基站通常建设于房屋天面，或者集体用地建设通信杆等具备高度优势的位置，通常这种位置用途较为受限，业主方也难以提供给其他租赁需求方。

3 评估方法建立

根据通信基站上述的特点，可知基站租赁与通常的房屋租赁存在较大的区别，房价取决于地段、楼层、朝向、面积、楼龄及学位、市场便利性相关配套等，而基站租赁最主要评估因素为建设模式、所处位置、周边原有基站租金水平、各运营商租金水平(社会行情)、周边楼盘租赁价格等。

3.1 数据准备

（1）提取综资系统每个站点的经纬度、基站建设模式（宏站、微小、室分）、机房建设类型（砖混、一体化机柜、无机房等）、场景类型（主城区、县城城区、乡镇镇区、农村等）数据，从合同系统匹配每一个站点的合同年限及每年租金。如表1 所示。

（2）获取各运营商站点分布及租金情况，如表2 所示。

表2 运营商基础数据表

（3）获取各楼盘挂牌的月租金、租赁面积、所属位置、经纬度，如表3 所示。

表3 汕头房价

3.2 类别变量处理

（1）虚拟变量法处理非连续数据

上述采集的影响因子中，出现类别变量，比如基站建设模式、机房建设类型、场景类型等，类别变量不能直接用于回归分析。因此以虚拟编码对类别变量进行赋值，假设某个类别变量有k 个分类，那么就会有k-1 个虚拟变量。

针对基站建设模式，将宏站设置为0，微小站设置为1，室分设置为2.以此类推，将其他类别变量进行虚拟赋值。如表4 所示。

表4 虚拟变量赋值

（2）评估类别变量因子影响

将基站建设模式、机房建设类型、场景类型、业主类型、合同年限作为自变量，基站年租金作为因变量，利用SPSS 分析输出显著性表征。如表5 所示。

表5 显著性系数表 系数a

可以看出，基站类型、合同年限的显著性为0.000，机房类型、场景类型的显著性为0.001，显著性因子＜0.005即可认为该因子对基站租金定价具备较高的影响。业主类型对租金影响因素较小，显著性不明显。

3.3 影响因子数据化

通过上述虚拟变量，分析了几个重要影响因子，同时由于基站租赁的竞争有限性，实际租金水平受周边基站租金水平影响，即社会行情影响。因此将对范围内站点因子进行聚类，计算基站周边同聚类下的租金情况。

（1）首先计算当前基站与周边其他站点的实际距离，根据Haversin 公式可得到如下公式[2]：

（2）按目前运营商站点建设的站间距，一般不大于1 000 m，因此在计算完站点间的距离后，筛选1 000 m 范围内的站点，对基站建设模式、机房建设类型、场景类型进行聚类，剔除基站本身租金，计算该聚类下的平均租金，形成影响因子1“1 000 m 内同类型站点租金”。计算全市同类型站点的平均租金，形成影响因子2“全市同类型站点租金”。

（3）应用haversine 公式，考虑可替代性，设置筛选距离为500 m，选取范围内的其他运营商基站，并进行聚类计算平均租金，形成影响因子3“500 m 内同类型对标站点租金”。

（4）应用haversine 公式，筛选1 000 m 内的楼盘、住宅，计算平均租赁单价，形成影响因子4“周边1 000 m内单位面积价格”。

（5）筛选距离最近的楼盘、住宅，选取其中的高层出租单价，形成影响因子5“高层楼盘单位面积价格”。

（6）合同年限，作为影响因子5。

经处理后的部分数据如表6 所示。

表6 影响因子聚类表

3.4 建立多元回归模型

将合同年限、周边1 000 m 同类型平均租金、500 m 内同类型对标站点租金、全市同类型站点租金、周边1 000 m内单位面积价格、高层楼盘单位面积价格等6 类影响因子作为自变量，年租金作为因变量，输入SPSS，计算多元线性回归方程[4]。

3.4.1 回归方程的显著性检验

如表7 根据模型输出的回归显著性检验表，Sig.值为0.000，小于显著性水平0.001，回归方程总的效果显著。

表7 回归显著性检验

3.4.2 回归方程的复相关系数

如表8 所示，复相关系数R 为0.839，决定系数R 方为0.704，表明自变量与因变量的相关性较好，模型拟合程度较高，即所有影响因子在一定程度上能解释租金的构成。

表8 模型摘要

3.4.3 标准化回归系数与方程

从表9 可知，周边1 000 m 内平均房价及最近高层租金并非影响租金评估的重要影响因素。

表9 回归系数 系数a

最终的多重线性回归方程可写为：

其中X1为合同年限，X2为周边1 000 m 同类型平均租金，X3为500 m 内同类型对标站点租金，X4为全市同类型站点租金。

4 应用要点

通过对通信基站租金的影响因子进行多元线性回归分析，得出如下结论：

（1）通信基站租赁时，“周边房价”因素对最终租赁结果影响不大，说明业主方不会因为自身物业可出租价格而大幅度制定或严重贬损出租时的租金价格，进一步从侧面说明通信基站用地的用途受限特性，正常商用或个人租赁不会与通信运营商一样租赁一小块天面或一小块空地。

（2）“周边站点平均租金”、“建设类型”、“基站类型”、“其他运营商租金”、“合同年限”等五个因素对基站租赁影响较大，说明基站建设时的方式是业主方与运营商谈判时的主要考虑因素，是否需要搭建机房、建设的设备大小较大地影响基站租金水平，同时网格地区内本单位租金、周边其他运营商租金也较大影响着租金定价，进一步从侧面说明通信基站租赁的对标性，即缺乏标准参照标的的情况下，周边原有的租金水平将是重要的参考因素，社会行情影响着租金谈判对标。

因此，对于现有通信基站租金严重超过预测数值50%以上的，可由运营商在租金谈判时进一步压降，促使同一类型同一地理范围内的通信基站租金趋于平稳，避免恶意竞价破坏区域内的定价权，有效缓解运营商租金压力；而对于租金远低于预测数值的通信基站，可在合同续签时掌握谈判的定价策略，给予适当的涨幅，保障通信基站的长期使用。

5 结语

本文结合通信基站租赁特性，结合基站建设模式、机房建设模式、范围内运营商租金情况等，构建了现网站点租金评估模型，实现每一个站点租金的特性化管理，指导通信基站租赁、续签合同时租金的合理估值，进一步规范运营商在租赁方面的合理之处，有利于整体降本增效。