大數據助力群租治理

文/劉聃

一、緒論

（一）研究背景

上海作為超大城市，就業機會多、人口流動快，群租現象始終是困擾城市管理者的一個難題。群租行為不僅改變了房屋的使用功能，更存在著多方面的問題：一是影響生命安全；二是影響社會治安；三是影響小區衛生；四是侵犯了相鄰業主的權益；五是加大了物業管理的難度。

2019年11月習近平總書記考察上海時指出，上海要抓好“兩張網”，即政務服務“一網通辦”和城市運行“一網統管”。李強書記在調研城市運行管理平臺建設后，進一步要求緊扣城市運行“一網統管”的目標方向，在數據匯集、系統集成、聯勤聯動、共享開放上下更大功夫，加快建設城運平臺，探索走出一條具有中國特色的超大城市管理的新路子，對推動高質量發展、創造高品質生活提供有力支撐。

2018年4月，上海市大數據中心正式揭牌，構建了全市數據資源共享體系，并制定了數據資源歸集、治理、共享、開放、應用、安全等技術標準及管理辦法，從而實現了跨層級、跨部門、跨系統、跨業務的數據共享和交換。

在“一網統管”的大背景下，以上海市大數據中心匯集的“數據湖”為基礎，使用大數據分析，使發現群租有了實現的可能。上海市住建委于2018年開始著手調研，2019年5月召集人員集中辦公，在網格化升級的基礎上，組織開發了群租治理應用場景，以統一的城市管理主題數據庫和地圖服務為基礎，采用自動、主動、被動“三動合一”的發現手段，借助全市16個區的網格力量，針對群租建立了一套從發現到整治的全流程系統。

（二）解決思路

《關于加強本市住宅小區出租房屋綜合管理工作的實施意見》（滬房管〔2014〕135號）中對于“群租”的規定是，出租房間的人均居住面積低于5平方米，每個出租房間的居住人數超過2人（有法定贍養、撫養、扶養義務關系的除外）。

通過各種數據來源（包括公安、不動產、自來水公司、供電公司、燃氣公司等），獲取實有人口、房型、建筑面積、用電量、用水量、用氣量、外賣、快遞等靜態或實時數據，進行清洗、融合、存儲及建模后得出分析結果。根據模型設定認定為疑似群租的，進入網格派單系統流轉，由執法人員上門檢查，確認后責令整改或依法處理。在網格平臺中，市、區、街鎮三級均可看到轄區內的工單處置狀態，可以督查督辦。市、區平臺協同進行跨區域工單處置。

（三）創新點和難點

以往發現群租大多依靠民警、居委會、物業上門挨家摸排（主動發現）和投訴舉報電話（被動發現）兩種手段，或是需要大量人力，或是在產生了嚴重影響后才進行處置。本文介紹的群租發現方式的創新之處在于其將多來源的海量數據進行融合計算，利用各種數據模型自動發現群租現象，既節省了人力，又能及早發現問題。

其主要難點如下：一是數據的獲取。計算涉及的數據分散在各個委辦局、水電氣等國企和快遞外賣等各類私企，因此需要與各方協調。二是數據的處理。因為數據來自各方，各自的數據標準不一，因此需要在數據清洗上花費大量的時間和精力。

二、國內相關做法分析

（一）城市案例

1.天津：“利用大數據破解群租房管理難題”。工作人員通過水電氣消耗數據分析，發現群租房，然后通過數據變化，監管群租房的使用狀態。按照反恐、治安、消防、安全、衛生等46類隱患防范要求，通過大數據分析，把出租房劃分為重點戶、關注戶、普通戶。對每一戶出租房進行居住信息登記并生成二維碼，網格員通過二維碼有針對性地采集核查出租房的人員和安全情況。在基礎摸查環節，通過政府購買服務等方式，由協管員、社工、社區民警等政府力量與勞動密集型用工企業、小區物業公司、業主委員會、房屋中介機構等協作，共同對轄區內的出租屋進行地毯式摸查，按一戶一檔的原則建立檔案資料，作為原始基礎數據。

2.江蘇：“大數據+網格化+鐵腳板”。泰州治安部門運用大數據技術手段，加快推進租賃住房、房屋租賃中介機構、物業服務企業相關信息以及水電氣用量異常等群租房相關數據的采集匯聚和共享應用。發動社區民警把上門走訪與健康登記、平臺申報、數據推送等有機結合，及時對臺賬底冊進行增刪改，力求全面、真實、準確地掌握全市流動人口、租賃房屋特別是群租房的底數。

南京江寧區龍西新寓小區的人臉識別系統讓小區內有無群租變得“一目了然”。該小區居民進入小區和單元門都靠“刷臉”，所有居民必須通過人臉識別登記信息，數據直接連通轄區內的派出所，一旦一個房屋內登記人口超過5人，系統就會自動標紅，社區民警、網格員等就會上門了解情況。

3.上海：“引入大數據搭建起‘大腦’”。2018年8月，上海市徐匯區田林街道工作人員在“智慧社區”平臺上發現了一處群租房，因為數據顯示一位居民連續10次刷卡進樓，顯然超出了正常頻率范圍。田林街道一度是群租房“重災區”，使用“智慧社區”進行治理后，群租房問題得到緩解，2018年1月至8月，該街道群租房數量同比下降76%。

浦東新區建立“一戶一檔”的大數據系統管控群租房。工作人員分頭行動，每家每戶上門排摸核實。每棟樓門口都貼著一張“出租房屋信息一覽表”，白色為自住房，紅色表示有群租嫌疑，綠色則是合格的出租房。信息公開透明，讓居民都能參與監督。

（二）案例分析與對比

1.基礎數據的獲取。各地均以戶為單位，建立檔案，搜集人口、戶籍等基礎數據。上海市公安局建設的“智慧公安”現已初顯成效，“一標六實”基礎數據已建立，人口等基礎信息也已做到實時更新共享。

2.水電氣數據的應用。天津、江蘇都已經將水電氣的數據用于發現群租現象，說明此方法切實可行。

3.人臉識別。在試點小區里，人臉識別對發現群租確實有用，但使用人臉識別在上海的小區里并不普遍，尤其是大部分的老小區，另外，人臉識別系統一般是小區自建，市級層面做數據對接存在一定困難。因此，上海沒有在全市層面應用人臉識別，而是在區和街鎮自建應用里預留了接口，如有需要，可以接入人臉識別和門禁數據。

4.快遞外賣數據的使用。在實際應用中，我們發現快遞外賣數據分析結果的準確率是最高的，但此方法尚未在上海以外的地區得到使用。

5.借助網格。在各級政府體系中，網格是可以橫向打通各職能部門的重要橋梁，所以各地幾乎都借助了網格的力量，上海也不例外。

三、數據模型和流程管理

（一）數據模型

群租的發現手段，在傳統的上門挨家摸排（主動發現）和投訴舉報電話（被動發現）以外，創新性地增加了利用大數據分析的自動發現手段。數據處理平臺對相關原始數據的分析包括數據導入、數據清洗、地址標準化、數據融合、數據存儲、自定義建模、定制建模、結果輸出等。

圖1 數據處理平臺流程圖

數據來源包括實有人口、住宅的房型和建筑面積、用電量、用水量、用氣量、外賣量、快遞量以及區和街鎮的門禁刷卡、人臉識別等數據（所有數據均經過脫敏后使用，不包含個人的隱私信息）。模型有三種：實有人口模型、水電氣模型、外賣快遞模型。三種模型的計算邏輯如下：

1.實有人口模型。通過實有人口、房型聯合分析，將房屋內實有人口與該房型的法定最多居住人數進行比較。實有人口超過房間和客廳數兩倍的即視為疑似群租。

2.水電氣模型。通過地址標準化，將水電氣地址轉化為“路-弄-號-室”的標準地址，并進行數據清洗、數據轉換、數據關聯等處理后入庫，對數據進行偏離程度計算、歸一化處理，最后將水、電、氣數據的權重按照一定比例進行合并計算，得出疑似群租戶。

3.外賣快遞模型。對同一地址內外賣、快遞訂單數進行分析，超過一定個數即視為疑似群租（除去商業辦公、物業等情況）。

以浦東新區為例，2019年1-8月，共發現群租7601戶，已處置7601戶。其中，智能（自動）發現占到三分之二左右，是人工（主動和被動）發現的兩倍（圖2）。

圖2 浦東2019年1-8月群租發現數量和比例

（二）處置流程

應用網格平臺在發現疑似群租現象后，由市平臺推送疑似群租告警到區網格中心，區網格中心指派網格責任人進行疑似群租核實，對核實為群租的予以告警，系統推送群租告警，網格責任人進行依法處置。

網格責任人協調房管、公安、工商、地稅等部門，出具《居住房屋違規租賃責令改正通知書》，責令責任人在規定期限內整改，對逾期不整改的，進行行政處罰或集中整治。整改、行政處罰或集中整治完成后，網格責任人在網格平臺反饋群租整治結果。

群租核實與整治過程信息通過網格平臺推送到市平臺，形成管理閉環。對整治異常的情況，可報送城管執法部門進行依法處置。

（三）系統和地圖展示

為了更好地實現全流程管理，在網格平臺的群租應用

場景系統中加入了每個環節的實時統計，并且以月、半年、年為單位進行數據統計與分析。系統主頁展示信息主要包括當年群租自動發現概況、今日群租發現推送告警、當月群租處置情況、超期未反饋群租告警輪播、當月群租發現和處置情況地圖撒點分布、當年群租發現和處置情況統計以及處置詳情查看、最近半年群租發現趨勢分析、當年街鎮群租整治效能分析等。值得一提的是，在平臺的“全市一張圖”上，根據發現和處理結果可以實時展示處置案件的撒點分布（圖3），為相關部門采取應對措施和作出決策提供依據。

圖3 浦東新區群租發現、處置地圖撒點分布

四、主要結論和未來設想

（一）主要結論

群租發現難、處置難。在發現手段上，傳統的人工主動排摸和被動接受舉報的手段已不能滿足城市精細化管理需求。隨著技術的進步，上海市大數據中心的成立，使不同來源的大數據能夠歸集并應用，這才有了實現大數據分析（自動發現）的可能性。在網格化平臺升級中，上海市住建委著力打造了“全市一張圖”、一個主題數據庫，有了地圖和數據底座，依靠網格的實體力量，案件經歷發現、立案、派遣、處置、核查、結案等網格化六環節，可在地圖上實時展現、全流程監督、閉環管理，因此群租治理才會有好的執行效果。

（二）未來設想

如果僅僅依靠大數據分析來加強對群租的發現和處置，對群租治理來說只是治標，并不治本，而且并沒有充分利用數據的優勢。現在的數據分析只是開始，未來，隨著案例的不斷積累，可以進一步深挖掘數據價值。例如，通過歷史數據的分析，預測群租人員的大致數量，再結合社保數據，計算出他們的平均收入水平，有的放矢地提供相應數量的保障房，既可滿足他們的住房需求，又可解決群租難題，一舉兩得。