做房地产投资这一行，十个人里有八个问过同一个问题：一线还进不进，二线里哪几个能接棒。问得多了我发现，真正让人亏钱的往往不是判断错方向，而是一线与二线产区标准图根本没建起来——看一线用一套逻辑，看二线用另一套逻辑，两边数据口径都不一样，最后得出的结论自然没法放在一起比。所谓"标准图"，说白了就是把城市能级、板块成熟度、供需节奏这些分散信息，压缩成一张口径统一、可以横向对齐、能反复复用的评估图谱。它不是某个软件里的炫酷可视化，而是你每次决策前必须先对齐的那把尺子。

这篇内容适合三类人看：一是在一线和二线之间摇摆、想找一套统一比较框架的投资者；二是手上有多城市在看、但每次都得从头调研的分析人员；三是刚开始接触区域研判、被各种"热销榜""潜力榜"绕晕的新手。我会把标准图从指标体系怎么砍、权重怎么定、数据口径怎么统一，到代码怎么跑、图怎么看、哪几个地方最容易翻车，全部拆开讲。

1. 先把"标准图"这三个字说清楚，它解决的是对齐问题

很多人一听"标准图"就想到热力图、想到满屏的红黄绿。我一开始也这么理解，后来发现方向偏了。图只是最后的呈现形式，真正有价值的是前面那套统一的打分口径和分级规则。没有口径，图画得再漂亮也只是把错的东西可视化了一遍，反而更容易骗自己。

1.1 从"逐个城市单独研究"到"一张表放在一起比"

绝大多数人的调研方式是串行的：这周研究一线某板块，下周研究二线某板块，每次都是从头收集数据、从头建立判断。问题在于，人脑没有记忆锚点——你上周看到的"去化周期18个月"，和你这周看到的"去化周期12个月"，在没有统一基准的情况下，你根本不知道哪个更紧张，因为这两个数字背后的统计口径可能完全不同。

标准图的核心动作是把这个串行过程改成并行：先把所有候选板块的关键指标拉进同一张表，再用同一套规则打分、同一套规则分级。这样做的直接好处是可比性。一个二线板块的库存压力到底算高还是低，不再是"我觉得挺高"，而是"它在这一批样本里排在倒数20%"。有了分位数，判断就从主观感受变成了相对位置。

我见过不少人在这一步省事，直接把各城市的"官方去化周期"填进表里对比，结果被口径差异坑得很惨。有的是按近6个月月均成交算，有的是按近12个月算；有的统计范围含保障房，有的只含商品住宅；有的算的是取证未售，有的是开工未售。三个差异叠加，同一批库存能算出相差半年以上的周期。所以标准图的第一原则是：指标名可以一样，口径必须你自己重新定义一遍并写死。

1.2 标准图的三层结构：城市层、板块层、项目层

我在实际使用中把标准图拆成三层，每层的粒度和用途完全不同，混在一起用必出问题。

第一层是城市层，解决"这个城市值不值得进"的问题。这一层的指标偏宏观：人口净流入、产业结构、土地供应节奏、整体库存水位。它的更新频率最低，一个季度看一次足够。

第二层是板块层，解决"进了这个城市，钱该投在哪个片区"的问题。这一层指标偏中观：轨道交通覆盖、公共资源密度、二手房流动性、板块内新增供应。更新频率按月度或者按供地节奏走。

第三层是项目层，解决"具体拿哪个项目"的问题。这一层已经脱离了标准图的范畴，进入个案测算，包括地价、户型、竞品、去化速度等。

提醒：把三层指标混着打分是最常见的崩盘点。用城市层的GDP增速去评价一个板块，或者用板块层的轨交密度去否定一个城市，都是拿显微镜当望远镜使。

我建议的做法是：城市层做筛选（进或不进的开关），板块层做排序（先投哪个后投哪个），项目层做验证（这个价格是否成立）。三层各有各的分级阈值，互不越界。下面要讲的指标体系、权重、代码，主要针对的是城市层和板块层这两层。

2. 一线和二线为什么必须共用一张图，而不是各搞一套

这个问题我被问过很多次，也见过不少团队的做法：一线一套模型，二线一套模型，各自独立运行。听起来很专业，实际上把两个结果放一起就废了——你没法回答"是加仓一线某板块，还是加仓二线某板块"这个最关键的资源配置问题。

2.1 两套体系带来的"错位比较"陷阱

假设一线模型里的"合格线"是去化周期低于15个月，二线模型里的"合格线"是低于20个月。这个设定的初衷是合理的：二线市场本来就该给更宽松的容忍度。但问题出在决策瞬间——当你手里只有一笔钱，要在"一线某板块去化16个月"和"二线某板块去化18个月"之间选，按各自的模型，两个都不合格；按放宽后的标准，两个都合格。你失去了排序能力。

我在早期就吃过这个亏。当时给二线单独设了更宽松的阈值，结果一堆板块都被标成"健康"，等真正投进去才发现，里面至少三分之一是"看起来健康"——成交是靠以价换量撑起来的，一旦价格企稳量就没了，库存压力会在半年后集中爆发。

正确的做法是同构不同权：指标框架完全一样，评分逻辑完全一样，只在权重和分级阈值上做区分。这样两个城市/板块算出来的分数是在同一把尺子上的，可以直接排序。至于一线和二线的绝对水平差异，交给"分级阈值"去处理，而不是交给"两套模型"去处理。

2.2 一线看轮动节奏，二线看内部分化

同一个框架之下，一线和二线的观察重点其实是不同的，这一点必须提前想清楚，否则权重定不准。

一线城市的典型特征是总量紧、结构分化大。供应极度稀缺，所以库存指标意义有限，真正的差异体现在板块之间的轮动顺序上：核心区先动，然后是次核心，最后是外溢。所以一线的标准图要重点看板块成熟度与价格梯度的匹配关系，也就是"这个板块现在的价格，是否已经透支了它下一轮的成熟度提升"。

二线城市的典型特征是总量宽松、单核虹吸明显。一个二线城市内部，往往只有一个或两个板块能持续吸引人口和产业，其余板块是"陪跑"的。这时候标准图要看的是人口与产业的实际兑现度，而不是规划文件里的美好蓝图。我在实际操作中会把"规划已落地的比例"单独列成一个扣分项，规划越宏大、落地越少的板块，扣分越狠。

用一个表能直观看出两条线的关注重心差异：

这张表的用法不是打分，而是校验：当你的总分和某一侧的侧重点明显矛盾时，说明权重设错了，得回去调。

3. 指标体系怎么从十几个候选砍到六个，砍的逻辑是什么

指标体系最容易犯的错不是漏指标，而是指标太多。我见过一份评估表列了23个指标，每个权重都差不多，最后算出来的分数基本等于平均值，区分度为0。这不是评估，这是把所有板块都拉平。

3.1 相关性太高的指标必须合并，否则等于给同一个因素重复加权

砍指标的第一刀砍向高相关性。举几个典型例子：

• "GDP总量"和"第三产业占比"高度相关，前者几乎不提供额外信息，还容易让大而弱的城市虚高。
• "轨交站点数量"和"轨交覆盖人口"高度相关，两个都放进去，等于把交通因素的权重翻倍。
• "二手房挂牌量"和"二手房成交量"单独看都没意义，必须合成"成交/挂牌比"才能反映流动性。

我的处理原则是：同一逻辑链上的指标只留一个，或者合成一个比值型指标。比值型指标还有一个隐藏好处——它天然做了规模标准化，不会因为城市体量大就自动得高分。

砍完之后我一般会留下六个核心指标，覆盖人口、产业、交通、供应、库存、流动性六个互不重叠的维度。这六个维度基本能解释一个板块80%以上的投资价值差异，剩下的20%属于个案因素，交给项目层去处理。

3.2 权重不是拍脑袋，用去化周期做反向校验

权重怎么定，我踩过的坑最多。早期我是按"重要性排序"直接赋权，人口给30%、产业给25%、其余分摊。结果发现这套权重在一线完全失效——一线的分数被人口和产业拉得极高，几乎没区分度，因为每个一线板块的人口和产业都不差。

后来我改成反向校验法，思路是：先用一组初始权重算分，然后拿"实际去化周期"作为外部验证变量，看分数和去化周期的相关性。如果相关性弱，说明权重设错了，需要调整；如果某个指标加进去之后相关性反而下降，说明这个指标是噪音，应该剔除。

这套方法的逻辑是：去化周期是市场用真金白银投票出来的结果，它比任何主观判断都更接近真相。你的打分体系如果连"哪些板块卖得快、哪些卖得慢"都解释不了，那这套体系就没有预测力。

具体操作上，我会拉30到50个历史板块样本，用它们的当前分数去回归实际去化周期。相关系数低于0.4就重调权重，0.6以上算合格。这个门槛不是理论值，是我自己反复试出来的经验值，样本量小于30的时候这个门槛要放宽，因为小样本的相关系数本身波动就大。

调整后的权重大致是这样一个结构：

一线把权重压在人口和交通上，是因为一线的核心变量是"稀缺性"，人口密度和轨交覆盖直接决定了稀缺程度；二线把权重压在人口和产业上，是因为二线的核心变量是"兑现度"，规划再漂亮，人和企业不来就是空的。供应和库存在二线反而降权，因为二线的供应弹性大，短期库存高不一定代表长期风险。

4. 数据口径统一：标准图百分之八十的失败都发生在这里

指标选对了、权重定好了，图还是画不对，绝大多数时候问题出在数据口径上。这一节我想讲得细一点，因为这是最枯燥、也最容易翻车的地方。

4.1 库存与去化周期的三种口径，差出来的可能是半年

"去化周期"这四个字，至少有三套常见算法，结果差异巨大。

第一套是狭义库存法：取证未售面积除以近6个月月均成交面积。这是最灵敏的口径，反映的是"已经具备销售条件但还没卖掉的量"。缺点是它会低估真实压力，因为大量已开工未取证的项目没算进去。

第二套是广义库存法：已开工未售（含未取证）除以近12个月月均成交面积。这个口径更接近真实供应压力，但分母用了12个月，对市场变化反应迟钝，遇到成交量突然下滑时会严重低估风险。

第三套是土地存量法：已成交未开发的宅地建面折算后加进去。这个口径最全，但误差也最大，因为土地从成交到形成有效供应，中间的时间差可能有三年以上，而且不少地块会因为各种原因迟迟不动工。

我的做法是三套都算，但只把狭义库存作为打分主指标，另外两套作为风险提示。理由很简单：打分需要的是可比较、可重复、灵敏的指标，广义和土地存量口径在不同板块之间的数据完整度差异太大，放进去会引入噪音。但风险提示不能少——如果某个板块狭义库存很健康，广义库存却高得离谱，那就是典型的"未来供应堰塞湖"，必须单独标出来。

提醒：不要在不同城市之间直接比较"官方公布的库存去化周期"，因为统计范围、时间窗口、含不含保障房，几乎每个城市都不一样。要么统一到一个第三方口径，要么自己从成交和供应两端重新算。

4.2 人口数据的可用性陷阱与替代方案

人口数据是标准图里最诱人、也最危险的指标。诱人是因为它解释力强，危险是因为它滞后、且经常被修正。

常住人口数据一般按年公布，滞后半年到一年，而且存在事后修订。你今年拿到的数据和明年回溯的数据可能对不上。更麻烦的是，很多板块级别的人口数据根本拿不到，只能退而求其次用街道数据或者手机信令数据，而这两者的口径差异又很大。

我的处理方案是主指标用"人口增量占比"，辅以三个替代指标交叉验证：

• 小学在校生数量变化（反映真实家庭定居，滞后约1-2年，但很难造假）
• 居民用电量增速（反映实际居住活跃度，月度可得）
• 二手房成交中的"首次置业占比"（反映新增人口购房需求）

这三个替代指标和人口数据的相关性都不错，而且更新频率更高。当人口数据缺失或者明显异常时，用这三个指标做三角验证，比硬填一个估算值靠谱得多。

另外一个经验是：人口指标一定要做规模标准化。直接用"净增人口绝对值"会让大城市永远占优，正确做法是除以常住人口总数，得到"人口净增率"。这个处理会显著改变排序——一些体量小但吸引力强的板块会浮上来，一些体量大但增长停滞的板块会沉下去，而这恰恰是投资想要的区分度。

5. 制图实操：从一张原始表到可读的分级图

前面讲的都是设计，这一节讲怎么真正跑出来。我用的工具很朴素：Python加pandas，不需要任何可视化库也能出结果，最后要出图的时候再单独渲染。

5.1 数据清洗与缺失值处理

原始表拿到手，第一件事不是算分，是看缺失率。我的规则是：

• 单指标缺失率超过30%，这个指标直接弃用，不要试图插值。
• 单指标缺失率在10%到30%之间，用同城市同能级的板块中位数填充，并打上标记。
• 单指标缺失率低于10%，用同城市中位数填充。
• 单个板块缺失指标超过3个，这个板块直接从样本中剔除，不参与排序。

最后一条规则很关键。我见过太多人为了"样本完整"硬把缺失严重的板块塞进去，结果算出来的分数毫无意义。剔除比填充更安全，因为填充会制造虚假的确定性。

5.2 打分、归一化与分级的完整实现

归一化我不用min-max，用分位数映射。原因是min-max对极端值太敏感，一个异常高的值会把其他所有样本压到接近0的位置。分位数映射把原始值转换成它在样本中的百分位，天然抗异常值，而且分数含义直观——60分就是比60%的样本好。

import pandas as pd import numpy as np # 原始指标表：每行一个板块，每列一个指标 df = pd.read_csv("district_metrics.csv") # 指标方向：+1 正向，-1 负向 INDICATORS = { "pop_inflow_rate": +1, # 近3年人口净增率 "industry_revenue_per_km": +1, # 单位面积企业营收 "metro_coverage_ratio": +1, # 轨交覆盖人口占比 "land_supply_ratio": -1, # 供地/成交比，越高越差 "absorption_months": -1, # 去化周期，越长越差 "liquidity_ratio": +1, # 二手成交/挂牌 } # 一线与二线的权重（同构不同权） WEIGHTS = { "tier1": { "pop_inflow_rate": 0.20, "industry_revenue_per_km": 0.20, "metro_coverage_ratio": 0.20, "land_supply_ratio": 0.15, "absorption_months": 0.15, "liquidity_ratio": 0.10, }, "tier2": { "pop_inflow_rate": 0.30, "industry_revenue_per_km": 0.25, "metro_coverage_ratio": 0.15, "land_supply_ratio": 0.10, "absorption_months": 0.10, "liquidity_ratio": 0.10, }, } def pct_score(series, direction): """按分位数映射到0-100分，方向为负时反向""" rank = series.rank(pct=True, ascending=(direction > 0)) return (rank * 100).round(2) def score_districts(df, tier_col="city_tier"): out = df.copy() for tier, weights in WEIGHTS.items(): mask = out[tier_col] == tier sub = out[mask] total = pd.Series(0.0, index=sub.index) for col, direction in INDICATORS.items(): if col not in sub.columns: continue s = pct_score(sub[col], direction) out.loc[mask, f"{col}_score"] = s total = total.add(s * weights[col], fill_value=0) out.loc[mask, "total_score"] = total.round(2) return out def grade(score): """按绝对分数分级，不按排名分级""" if score >= 75: return "S" if score >= 60: return "A" if score >= 45: return "B" return "C" result = score_districts(df) result["grade"] = result["total_score"].apply(grade) result.to_csv("standard_map_result.csv", index=False, encoding="utf-8-sig")

这段代码有几个细节值得说明。

第一，打分要在同一能级内部做。因为一线和二线的指标分布本身就不一样，如果混在一起做分位数映射，二线会系统性地被压在低位，排序就失真了。所以代码里按tier分组分别映射。

第二，分级用绝对分数而不是排名。排名分级的问题是，即使整批样本都很差，也一定会产生一批S级。用绝对阈值（比如75分）就不会有这个问题，一整批都是C级也是完全正常的结果。

第三，负向指标的处理。rank(ascending=False)的意思是"值越小排名越靠前"，映射出的分数越高，符合"供地越少越好、去化越快越好"的逻辑。这一步写反了是新手最常见的bug，跑出来所有板块分数都反了。

5.3 出图与读图的五个固定动作

拿到打分结果之后，我一般做五个固定动作，顺序不能乱：

1. 看分布：先看总分的直方图。如果分数集中在50到60之间，说明区分度不够，指标或权重还得再调。
2. 看极端值：找出最高分和最低分的板块，逐个人工核对原始数据，确认不是数据错误导致的。这一步能抓出大部分数据问题。
3. 看维度拆解：对每个板块，把六个维度的单项分列出来，找出它的"短板维度"。总分高但某一维度极低的板块，往往是"看起来很好但藏着大坑"。
4. 做二维定位：横轴用城市能级分，纵轴用板块成熟度分，把板块撒到四个象限里。不同象限对应完全不同的策略。
5. 标注异常：把所有"广义库存远高于狭义库存""规划落地率低于30%"的板块单独标红，不管它总分多高。

第4步的二维定位是整张标准图最有价值的部分，下一节展开讲。

6. 读图：一线板块的四种形态与二线的三种形态

分数出来后，怎么读比怎么算更重要。同一张图，一线和二线要读出不同的东西。我把自己常用的板块形态总结成了几种原型，每一种对应的操作思路完全不同。

6.1 一线板块的四种典型形态

一线城市的板块分化，本质上是一个"成熟度与价格匹配度"的问题。我把常见形态归成四类：

第一种是高位横盘型。特点是成熟度极高、价格也极高、人口和交通分数接近满分，但流动性分数走低，去化周期被拉长。这类板块的典型风险不是跌，而是"卡住"——买进去之后发现想卖的时候没人接。判断标准是二手成交/挂牌比连续三个季度低于样本中位数。操作上，这类板块适合长期持有、不适合做波段。

第二种是轮动补涨型。成熟度中等偏上，交通条件已经在改善（有在建线路），但价格还没完全反映。这类板块是标准图最有价值的地方——它把"正在改善但还没被定价"的板块筛出来了。判断标准是交通分数明显高于价格分位。操作上适合中期布局，但一定要确认改善是"在建"而不是"规划中"。

第三种是透支预支型。特征是价格分数远高于成熟度分数，通常伴随规划利好被提前定价。这类板块在一线特别常见，因为市场对规划的敏感度极高。我的做法是给这类板块单独设一条红线：只要"价格分位减成熟度分位"超过25个百分点，无论总分多高都降一档。

第四种是价值洼地型。成熟度不低但价格分位偏低，通常是历史原因造成的（比如某个老工业片区）。这类板块要么是真正的机会，要么是长期的坑，区分的关键是看人口是不是在回流、产业是不是在置换。如果两个都在改善，那是机会；如果只有价格低，那大概率会一直低下去。

6.2 二线板块的三种典型形态

二线的分化逻辑和一线完全不同，核心矛盾是"资源集中度"。

第一种是单核虹吸型。整个城市的优质资源都集中在一到两个板块，其余板块被持续抽血。这类板块的总分往往极高，但要注意一个陷阱：它的高分是建立在"别人更差"的基础上，而不是自身绝对优势。判断方法是看它在整个城市样本中的分数差距有多大，如果第一名和第三名差出30分以上，说明这是典型的虹吸结构，跟着龙头走是对的，但不要指望辐射效应。

第二种是多中心摊薄型。城市试图同时发展多个新区，资源被摊薄，每个板块都不温不火。这类结构在二线非常普遍，也是最容易套人的。标准图在这种情况下的用法是找"资源兑现度最高"的那一个，而不是找"规划最大"的那一个。我会把新增企业的实际注册数量、新增学校的实际招生数量作为硬指标，规划文件里的数字一律打七折再用。

第三种是产业驱动型。某个板块因为一个产业集群的落地而快速起来。这类板块的关键变量是产业的持续性和人口结构——如果进来的是制造业工人，购房需求是刚性的但天花板低；如果是研发和总部经济，需求弹性大但周期长。标准图在这里的作用是帮你区分"真产业"和"招商口号"，方法是看去化周期是不是真的在缩短，而不是看签约金额。

7. 标准图跑偏的几个场景，以及我是怎么发现的

再好的框架也会跑偏。这一节我把几个踩过的坑摊开讲，重点不是结论，而是排查链路——下次遇到类似情况，你可以照着这个顺序查。

7.1 规划利好被提前定价，分数虚高

早期我遇到过一批板块，六个维度分数都很漂亮，总分排在前列，但投进去之后两年没动静。回头查才发现，交通维度的分数是靠"规划中的线路"撑起来的，产业维度是靠"签约项目"撑起来的，两个都是未兑现的东西。

排查链路是这样的：先看分数最高的几个板块，逐个去查交通指标的原始数据来源，发现有一部分用的不是"已运营站点"，而是"已批复线路"。再去查产业指标，发现用的是"签约金额"而不是"实际营收"。两个口径一改，那批板块的排名直接掉出前20%。

调整方案是三条：交通只看已运营站点的800米覆盖；产业只看实际营收或实际纳税；规划利好单独设一个"预期分"，权重不超过10%，而且只作为加分项不作为主分。这个改动之后，标准图的预测力明显提升。

7.2 库存数据滞后，误判了转折点

有一年我们对某二线板块的判断是"库存健康、可以进"，结果进场三个月市场就开始以价换量。复盘发现，我们用的库存数据是季度末的，而那个板块的成交在季度中间就已经明显下滑了，等数据出来的时候，真实去化周期已经从12个月变成了20个月。

排查链路：发现月均成交的分母用的是近6个月，而市场转折发生在最近2个月，6个月的窗口把下滑稀释掉了。这个问题的本质是平滑窗口过长，掩盖了拐点。

调整方案是引入一个"边际指标"：单独算近3个月的月均成交，和近12个月的月均成交做比值。这个比值低于0.7就触发预警，不管主指标多健康。这个边际指标后来成了我们标准图里最灵敏的一个风险信号，比去化周期本身提前了差不多一个季度。

7.3 样本量太小，个别板块被打高分

板块层的打分有个天然限制：一个城市内部的板块数量有限，样本量小的时候，分位数映射会失真。比如某个城市只有12个板块，排名第一的那个板块会被映射成接近100分，但它和排名第三的可能只差一点点，这个100分是虚高的。

排查链路：看分位数分布，如果发现有大量板块集中在90分以上或者10分以下，说明样本量不足导致的挤压效应。

调整方案有两个：一是样本量小于20时，改用绝对阈值打分而不是分位数映射，直接把原始值映射到预设的分数区间；二是把同能级的相邻城市合并成一个样本池，扩大样本量。后一种做法有争议，因为跨城市的可比性存疑，但对同一能级的城市来说，这个误差是可以接受的。

提醒：跨城市合并样本时，一定要先做量纲统一。同一个"单位面积企业营收"，不同城市的统计范围可能包含或不包含分支机构，直接合并会引入系统性偏差。

8. 标准图的维护节奏：多久更新一次，更新什么

标准图不是一次性交付物，它是个需要持续维护的东西。我见过太多人做完一版就锁进文件夹，一年后拿出来用，结论已经完全失效了。

8.1 分层更新频率：不同层级的指标寿命完全不同

不同指标的有效期差异极大，用同一个更新周期是浪费也是风险。我现在的更新节奏是这样的：

最后一行是最容易被忽略的：权重和阈值也要定期重校。市场结构变化之后，原来好用的权重可能就失效了。我的做法是每年做一次样本外验证，拿过去一年的实际去化周期和当年分数做相关性检验，如果相关性从0.6掉到0.4以下，就必须重调权重。

8.2 变更留痕：为什么要给标准图做版本管理

这个经验是从一次内部争论里学来的。当时两个团队对同一个板块给出了完全相反的结论，吵了半天才发现，一个用的是三个月前的图，一个用的是最新的图，中间刚好经历了一次供地高峰。

从那以后我强制要求标准图做版本管理：每次更新都要记录改了哪些指标、改了哪些权重、哪些板块的等级发生了变化。这三条记录看起来麻烦，但在复盘的时候价值极高——你能清楚地知道某次判断失误是因为"数据错了"还是"逻辑错了"，这两种错误的修正方式完全不同。

我的做法是给每次更新打一个日期标签，结果表按版本存，同时维护一张"等级变动表"。如果某个板块在半年内等级变动超过两档，这个板块就必须人工复核一次，因为频繁变动本身就是一个信号，说明它的基本面不稳定，或者数据源有问题。

最后分享一个我自己的使用习惯：我从来不看标准图给出的绝对等级，只看两个东西——排序的变化和短板维度。等级是静态的，排序的变化能告诉你资金在往哪走，短板维度能告诉你这个板块的软肋在哪。一张标准图真正的价值不在于告诉你"这个板块是A级"，而在于告诉你"这个板块比上个季度上升了8位，但流动性维度在往下掉"——后面这半句话，才是需要你动手之前先想清楚的。