臺灣博碩士論文加值系統

政府機關之不動產估價作業主要是提供課稅地價為目的而衍生之行政工作，傳統上台灣是以人工作業方式處理，因此往往需要投入大量的人力、經費。此與歐美等國普遍應用的電腦輔助大量估價作業有極大差異。90年代初期，由於資訊產業的快速成長，利用電腦模擬人類思考模式，而發展出來的類神經網路演算方法被廣泛地運用於各種不同層面的研究。在90年代早期並沒有不動產研究人員重視，直到90年代後期才慢慢的被運用在不動產估價。本研究擬利用倒傳遞類神經網路與特徵價格法之特性，根據高雄市政府地政處所調查之買賣實例個案進行高雄市不動產價格大量估價模型之建立，我們採取區位、路寬、用途類別、建物構造、屋齡、總樓層數、土地使用分區及建物面積等變數進行研究並比較兩模型預測效果。
經由上述研究進行實證分析得知，由誤差衡量指標可以得到高雄市不動產價格預測效果，倒傳遞類神經網路預測效果遠較特徵價格法為佳，2001年度平均絕對誤差百分比MAPE值分別18.76%、18.80%；2002年度平均絕對誤差百分比MAPE值分別為17.12%、18.71%；2003年度平均絕對誤差百分比MAPE值分別為19.53%、19.69%；2004年度平均絕對誤差百分比MAPE值分別為18.69%、19.66%；整體預估模型分別為24.48%、24.65%。整體而言，高雄市大量估價模式以採取類神經網路模式較為適合。期望這樣地結果可以提供高雄市未來在建立課稅地價模式時之參考，也期盼國內不動產估價技術能有所提升。

An accurate assessment of land value is quite important to property tax. In early time, the assessment were used by hand, wasting too many manpower , which is very different from than that in Western country using the system of computer assisted mass appraisal. In early 1990’s, due to the development of information technology, many researchers imitate the human brain model to develop the neural network and it was used in different areas of industries. In late 1990s, back-propagation neural network (BPN) has been applied for real estate appraisal.
This study applies back-propagation neural network and hedonic price method to predict the real estate price in Kaohsiung city. We used many variables such as location, road width, building type, building construction material, age, zoning and building floor area. We evaluated the model performance of BPN and hedonic price in forecasting Kaohsiung’s property price. Two criteria have been used, the first is the Mean Absolute Percentage Error (MAPE) and the other is Forecasting Error (FE). The empirical results of the study were as followed: in 2001,the MAPE of BPN is 18.76%,and the MAPE of hedonic price is 18.80%；the MAPE of BPN is 17.12%,and the MAPE of hedonic price is 18.71% in 2002；in 2003, the MAPE of BPN is 19.53%,and the MAPE of hedonic price is 19.69%；the MAPE of BPN is 18.69%,and the MAPE of hedonic price is 19.66% in 2004. The results found that the performance of BPN is superior to hedonic price model. However, there is good prediction power in using BPN method for Kaohsiung’s mass appraisal.

摘要 I
ABSTRACT II
誌謝 III
目錄 IV
圖目錄 VIII
表目錄 IX
第一章 緒論 1
第一節 研究動機與目的 1
一、研究動機 1
二、研究目的 2
第二節 研究問題與範圍 3
一、研究問題 3
二、研究範圍 3
第三節 研究內容、方法與研究流程 5
一、研究內容 5
二、研究方法 5
三、研究流程 5
第二章 文獻回顧 7
第一節 類神經網路於不動產估價相關文獻 7
一、國內相關文獻 8
二、國外相關文獻 11
第二節 特徵價格相關文獻回顧 16
第三章 研究方法 20
第一節 類神經網路理論 20
一、類神經網路理論 20
二、類神經網路系統架構 21
三、倒傳遞類神經網路模型 22
四、倒傳遞類神經網路的參數設定問題 27
五、倒傳遞類神經網路演算之流程 28
六、 敏感度分析 30
第二節 特徵價格理論 31
一、特徵價格理模型 31
第三節 研究設計 33
一、倒傳遞類神經網路設計 33
二、特徵價格模型設計 36
三、特徵價格分析之假設檢定 36
四、實驗組別 37
五、模型預估誤差評估指標 37
第四節 資料處理與說明 39
一、各年度資料處理與說明 39
二、不動產影響因子之選定 44
第四章 實證結果分析 48
第一節 高雄市不動產交易價格現況之描述 48
一、不動產交易價格分析 48
二、購屋類型分析 50
第二節 特徵價格估計結果 51
一、2001年度特徵價格模型估計結果 51
二、2002年度特徵價格模型估計結果 53
三、2003年度特徵價格模型估計結果 55
四、2004年度特徵價格模型估計結果 57
五、整體總樣本之特徵價格模型估計結果 59
第三節 倒傳遞類神經網路模型估計結果 61
一、2001年度類神經網路模型估計結果 61
二、2002年度類神經網路模型估計結果 63
三、2003年度類神經網路模型估計結果 65
四、2004年度類神經網路模型估計結果 67
五、整體總樣本之類神經網路模型估計結果 69
第四節 特徵價格與倒傳遞類神經網路模型預測結果分析 71
一、2001年度特徵價格法與到傳遞類神經網路預測結果分析 71
二、2002年度特徵價格法與到傳遞類神經網路預測結果分析 72
三、2003年度特徵價格法與到傳遞類神經網路預測結果分析 73
四、2004年度特徵價格法與到傳遞類神經網路預測結果分析 74
五、整體總樣本特徵價格法與到傳遞類神經網路預測結果分析 75
第五章 結論與建議 76
第一節 結論 76
一、高雄市不動產價格發展趨勢 76
二、高雄市各變數之相關分析 76
三、高雄市不同年度特徵價格影響因子相關分析 77
四、高雄市不同年度倒傳遞類神經網路影響因子相關分析 77
五、特徵價格法與倒傳遞類神經網路模型預測能力績效分析 77
第二節 建議 79
一、建議運用更多大量估價模型進行驗證高雄市不動產價格 79
二、增加空間向量資料 79
三、增加不動產買賣實例之屬性資料 79
四、深入分析公、私部門之平均房價差異原因 79
參考文獻 80
附錄一 85

一、國內文獻
1、吳錦碧（2001），台北市與高雄市成屋價格影響因素之比較，朝陽科技大學企業管理學研究所碩士論文。
2、李曉隆（2002），出租公寓之租金價格預測-複迴歸分析與類神經網路之比較，國立台灣科技大學企業管理研究所碩士論文。
3、李佳璋（2004），重劃區住宅價格之調查研究-以台南市虎尾寮及鄭子寮為例，私立長榮大學土地管理與開發研究所碩士論文。
4、李月華(2000)，台北市住宅價格模式之研究，淡江大學管理科學學系博士論文
5、信義房屋（2004），信義不動產論評論，第八期，P.15
6、高文津、林啟淵（2001），住宅屬性與房價關係之研究，台灣土地金融季刊，P.100-107
7、高明志（1997），類神經網路應用於房地產估價之研究，國立政治大學地政研究所碩士論文。
8、陳彥仲、林國民（1998），台灣都市住宅屬性隱含需求分析—以高雄市為例，成功大學學報，第33卷，P.303-320。
9、陳隆麒（1998），台灣地區房價、股價、利率互動關係之研究-聯立方程模型與向量自我迴歸模型之應用，經融期刊，第五冊，P.51-71。
10、陳力維（2001），台灣房地產價格變動因素之研究，私立淡江大學財務金融研究所碩士論文。
11、陳韋龍(2004)，應用類神經網路建立台北市房價區位特性之研究，私立中國文化大學建築及都市計畫研究所碩士論文。
12、陳耀茂、殷純淵編著（2004），類神經網路PCNeuron 使用手冊，鼎茂。
13、張金鶚、劉秀玲(1993)，房地產品質、價格與消費者物價指數之研究，國立政治大學學報，第67期（下），P.369-400。
14、張斐章、張麗秋、黃浩倫(2003)，類神經網路理論與實務，初版：東華。
15、張金鶚、林秋謹、楊宗憲（1995），房地產景氣與總體經濟景氣關係之研究，國立政治大學地政研究所碩士論文。
16.黃淑惠（2003），無母數迴歸對不動產估價之應用，台灣土地經融季刊，第40卷第二期（NO156）。
17、黃啟福（1983），住宅屬性需求之研究-台北市松山、中山、大安、古亭為例，國立中興大學都市計畫研究所碩士論文。
18、葉怡成(2003)，應用類神經網路，八版：儒林。
19、辜炳珍、劉瑞文（1988），房地產價格指數查編之研究，行政院主計處。
20、蔡瑞煌、高志明、張金鶚(1998)，類神經網路應用於房地產估價之研究，住宅學報，第八期 ，P.1-20。
21、劉振誠(1986)，住宅價格影響因素之研究-台北市松山、中山、大安、古亭為例，國立中興大學都市計畫研究所碩士論文
22、賴明宏（1998），影響房價因素之屬性特徵與總體變數分析，國立台灣工業技術學院管理技術研究所碩士論文。
23、魏如龍（2003），類神經網路應用於不動產估價預估效果之研究，國立政治大學地政研究所碩士論文。






二、國外文獻
1、Borst, R.A. (1992),Artificial Neural Network: the Next ModellingCalibration Technology for the Assessment Community, Artificial Neural Network, P.64-94。
2、Do, A.Q.and Grudnitski, G. (1992),A Neural Network Approach to Residential Property Appraisal, The Journal of Real Estate Research, December, P.38-45。
3、Do, A.Q.and Grundnistski, G. (1993),A neural network analysis of the effect of the age on housing values, Journal of Real Estate Research, 8,P.253-264。
4、Din, A., Hoesli, M., and Bender, A. (2001), Environmental variables and real estate prices, Urban Studies, Vol. 38, No. 11。
5、Evans, A., James, H.and Collins, A. (1991), Artificial Neural Network: An Application to Residential Valuation in the UK, The Real Estate Rese, December, 58, P.38-45。
6、Hua, Gog Bee (1996), Residential construction demand forecasting using economic indicators: a comparative study of artificial neural network and multiple regression, Construction Management and Economics.14, P.25-34.。
7、Harris J.(1989), The effect of real estate of interest on housing prices, Journal of real estate finance and economic P.47-60
8、Lancaster, Kelin J.（1966）, A New Approach to Consumer Theory， Journal of Political Economy, Vol.74, No.2, P.132-157。
9、McCluskey, William J. and Borst, Richard A. (1996), An evaluation of MRA, comparable sales analysis, andA NNs for the mass appraisal of residential property in Northern Ireland, Assessment Journal; Jan/Feb97, Vol. 4, Issue 1, P.47, 9p, 9 charts。
10、McCluskey, W.J. , Dyson, K. and Mcfall, D. (1997), The mass appraisal of residential property in Northern Ireland, Computer Assisted Mass Appraisal. Charts3, P.59-77。
11、McGreal, S., Adair, A., McBurney, D. and Patterson, D. (1998), Neural network：The prediction of residential values, Journal of Property Valuation＆Investment, Vol.16, No1, P.57-70。
12、Nguyen, N.and Cripps, A. (2001), Predicting housing value：A comparison of multiple regression analysis and artificial neural network，The Journal of real estate Research, Vol.22, No.3, P.313-336。
13、Palmquist, Raymond B. (1989), Land as a Different Factor of Production, Land Economics, 65(1), 23-28。
14、Rosen, Sherwin, (1974), Hedonic Prices and Implicit Market: Product Differentiation in Pure Competition， Journal of Political Economy, Vol.82, No.1, P.34-55.
15、Tay, D.P. and Ho, D.k. (1991) , Artificial Intelligence and the Mass Appraisial of Residential Apartments, Journal of Property Valuation ＆ Investment,Vol. 10, P.525-540。
16、Worzala, E., Lenk, M.and Silva, A. (1995), An exploration of neural networks and its application to real estate valuation, Journal of real estate Research, Vol.10, No.2, P.185-201。
17、Wong, K.C., So, A.P. and Hung, Y.C.（2001）, Neural network vs.hedonic price model：appraisal of high-density condominiums：real estate theory, charts 9, P.181-198。