量化分析破解房东的“饥饿营销”
本文使用 AI 辅助写作。
打工人到了新城市租房时，第一次看房总免不了紧张。你还在盘算通勤时间、检查热水器好不好用，房东或中介已经在一旁频频施压，话里话外就一个意思：今天不签，明天就没了。常见的话术有这些——
- “这套房刚挂出来，上午已经有两拨人来看过了，您要是犹豫，晚上可能就被别人定了。”
- “我手头还有三个客户在等回话，谁先交定金就算谁的，真没法替您留。”
- “上个月这小区一套空房都没剩，现在这套空了还不到三天，错过真的要等很久。”
这些说辞万变不离其宗：制造稀缺感和紧迫感，让租客在信息不对称和焦虑中仓促做决定。可这些话经得起推敲吗？房源的流转速度到底有多快？下面就用一套简单的数学模型，把这件事量化清楚。
量化分析
不失一般性，我们以一间普通长租公寓为对象。假设该房型年平均入住率为 \(\rho\)。通常租赁合同一年一签，中途违约的情况比较少见，可近似认为每间房一年内只经历一段空置期。那么，一年中的平均空置天数 \(T\) 满足
\[ T = 365 \times (1 - \rho). \]
以深圳的热门长租公寓为例，查阅资料可知这类公寓的年平均入住率 \(\rho\) 大约在 \(95\%\) 左右，这是一个很高的数字。代入公式，得到
\[ T = 365 \times 0.05 \approx 19\ \text{天}. \]
这意味着，即便是在看上去“很抢手”的公寓里，每间房每年平均也要空置大约 19 天。这一段空置期可以被看作一个“找租客”的时间窗口。
当房间空置时，租客寻找房源并最终签约，可以看作是随机且独立发生的小概率事件，即租出事件的发生可用泊松过程建模。令随机变量 \(X\) 表示“从空置到租出所经过的天数”，则 \(X\) 服从指数分布，且 \(E(X) = T\)。那么泊松过程的参数 \(\lambda = \frac{1}{T}\)。代入指数分布的 CDF 可知，一间空房在未来 \(k\) 天内被租出去的概率为
\[ P(X \leq k) = 1 - \mathrm e^{-k/T}, \]
这里的 \(T\) 就是我们前面算出的平均空置天数，而不是房间实际已经空置的天数，这是因为指数分布具有无记忆性。代入数据 \(T \approx 19\)（天），就可以算出房东口中“马上就要租掉”的说法有多少可信度了。可以直接计算得到，看房后的一周内，房子被其他租客租走的概率为
\[ P = 1 - \mathrm e^{-7/19} \approx 30.8 \%, \]
也就是说，即使在年均入住率高达 95% 的热门公寓里，我们看中的那间房在未来 7 天内真的被租出去的可能性，也只有大约三成。反过来说，它有将近七成的概率在未来一周内依然空着，完全可以容你从容比较、冷静决策。
如果我们把时间放宽到 3 天呢？概率会直接掉到 \(1 - \mathrm e^{-3/19} \approx 14.6\%\)。这意味着房东口中的“今晚就会被抢走”发生在现实中的概率其实非常低。至于“上午好几拨人看过”这种说法，哪怕每拨人都很满意，离真正签约也还隔着预算、通勤、室友、合同条款等一大堆变数，转化率远没有中介暗示的那么高。
再往前走一步，这套模型还能给出另一个有趣结论：平均需要多少组客户看过，房子才会租出去。如果每组客户的出现是独立的，那么空置期间来访客户数的期望值其实就是总看房人次。现实中，热门公寓每成交一单，往往要带看十余组甚至更多组客户。这个数字与模型估计高度吻合——因为 19 天的空置期中，假定每两天有一组客户看房，差不多就是 9 到 10 组；而人群之间互相竞争压价的情况远少于中介渲染的“抢房大战”。
知道了这些，再面对“今天不签明天就没了”的催促时，你大可以坦然一点。数据不会说谎：房源在短时间成交的概率远低于你的直觉，房东与中介营造出的稀缺感本质上是一种心理博弈。他们利用的是你对市场情况的不确定和对“错过”的恐惧。而一旦你把他们的“饥饿营销”翻译成具体的概率数字，这种恐惧就失去了力量。
当然，量化模型描述的是整体规律，具体到每一间房总有特例。但作为租客，我们需要的恰恰不是赌对一个特例，而是在大概率事件中保护自己。如果一套房各方面的确让你满意，完全可以先回去仔细读一遍合同、查一查小区的真实评价，或者在白天和晚上再分别去看一次周边环境。真正好的决定，极少是在被催促中做出的。下次看房，如果还有人催你交定金，不妨在心里默默算一下这一串数字，然后礼貌地告诉他：“谢谢，我再考虑一下。如果有人急着要，那就把房子交给有需要的人吧。”你手中掌握的概率，比他嘴里的“紧迫”更硬气。