臺灣博碩士論文加值系統

本研究的主要目的是提供銀行因應新版巴賽爾規範建立內部評等法的參考，藉以控制它們的風險性資產，以符合第一柱中最低資本適足（Minimum Capital Requirements）509.2及509.3中的要求，為了達到這個目的，必須要有一個可信的評估模型。
傳統上，電腦輔助估價經常使用特徵價格法，在文獻回顧中可以看到類神經網路有較佳的預測估價能力，但仍然缺少空間變數，讓模型接近人類實地勘估的狀況，且保持系統性，不致受心理因素影響估價結果。
雖然以前的研究已經對類神經模型作過許多評論，但皆未能結合空間資訊。為此，本研究將類神經模型結合空間資訊使成空間類神經模型，以進行實證分析，比較特徵價格法與類神經法在估價上的預測效率。
本研究建模的資料為台北市2006/12至2007/11的交易價格，共5,222筆。研究中隨機選擇90%建立模型，10%用以測試模型準確度。變數選擇除房子本身的屬性外，亦包括房子周遭便利/嫌惡（不便）的條件，且也考慮它們之間的距離關係。

The objective of this study is to provide an idea for banking to build an internal rating based control of their risk of loans where to match the minimum capital requirements of 509.2 and 509.3 in basel II. Before the system, we need to have a reliable science for an automated valuation model (AVM).
In the tradition, the house price model often was using hedonic price method. The empirical results showed the potential of artificial neural network on house price prediction were better then hedonic price method, but they still can not reach the spatial variable to let the model more close human but keep dominant.
Although previous studies have commented on artificial neural network house price model, but never any human’s spatial view with the model. For that, we will have the artificial neural network combine with the spatial information (by GIS) and be a new Spatial-Neural Model (SNM) in the proposal. Then we will compare the predictive efficiency of the hedonic price model with the SNM on house price prediction.
Here, samples come from of 5,222 numbers of house transaction in Taipei city during 2006/12 to 2007/11. We randomly selected 90% to build the model, and the others for verification. The factors including house features. Besides, the conveniences and inconveniences (hate) around the house and their distances are considered.

摘要 I
ABSTRACT II
目錄 III
圖目錄 VII
表目錄 X
第一章 緒論 1
1.1 研究動機 1
1.2 研究目的 2
1.3 研究範圍 3
1.4 論文架構 5
第二章 文獻探討 7
2.1 特徵價格法 7
2.2 類神經網路估價法 14
2.3 空間估價法 26
2.4 小結 27
第三章 相關理論與技術 33
3.1 類神經網路 33
3.1.1 類神經網路定義 33
3.1.2 類神經網路模型 35
3.1.3 倒傳遞網路 36
3.2 地理資訊系統 37
3.2.1 地理資訊系統定義 37
3.2.2 地理資訊座標系統 37
3.2.3 台灣座標系統 38
3.2.4 資料型態 38
3.2.5 圖台 39
第四章 實證方法與設計 40
4.1 系統架構規劃 40
4.2 實驗設計 41
4.3 原始資料 41
4.4 資料分析及處理 43
4.4.1 資料規格標準化 52
4.4.2 空間自我分析 55
4.4.3 異常資料處理 56
4.4.4 建模與測試資料 57
4.5 變數說明 58
4.6 檢測模型準確度標準 64
4.7 傳統特徵價格法 66
4.8 傳統類神經法 66
4.9 空間特徵價格法 67
4.10 空間類神經法 67
第五章 實證結果 69
5.1 傳統特徵價格法實證結果 69
5.1.1中正區 69
5.1.2大同區 70
5.1.3中山區 71
5.1.4松山區 72
5.1.5大安區 73
5.1.6萬華區 74
5.1.7信義區 75
5.1.8士林區 76
5.1.9北投區 77
5.1.10內湖區 78
5.1.11南港區 79
5.1.12文山區 80
5.2 一般類神經法實證結果 81
5.2.1中正區 81
5.2.2大同區 84
5.2.3中山區 86
5.2.4松山區 88
5.2.5大安區 90
5.2.6萬華區 92
5.2.7信義區 94
5.2.8士林區 96
5.2.9北投區 98
5.2.10內湖區 100
5.2.11南港區 102
5.2.12文山區 104
5.3 空間特徵價格法實證結果 106
5.3.1中正區 106
5.3.2大同區 107
5.3.3中山區 108
5.3.4松山區 109
5.3.5大安區 110
5.3.6萬華區 111
5.3.7信義區 112
5.3.8士林區 113
5.3.9北投區 114
5.3.10內湖區 115
5.3.11南港區 116
5.3.12文山區 117
5.4 空間類神經法實證結果 118
5.4.1中正區 118
5.4.2大同區 121
5.4.3中山區 123
5.4.4松山區 125
5.4.5大安區 127
5.4.6萬華區 129
5.4.7信義區 131
5.4.8士林區 133
5.4.9北投區 135
5.4.10內湖區 137
5.4.11南港區 139
5.4.12文山區 141
5.5 小結 142
5.5.1將空間納入的效果 142
5.5.2空間與模型方法關係 146
5.5.3指標與模型關係 146
5.5.4新空間關係變數與模型關聯性 147
第六章 結論與未來研究 148
6.1 結論 148
6.2 未來研究 151
6.2.1實際與直線距離 152
6.2.2空間變數權重 152
6.2.3非典型住宅模型 152
參考文獻 153
口試記錄 160

[1]Can, A. and I. Megbolugbe, "Spatial Dependence and House Prices Index Construction," The Journal of Real Estate Finance and Economics, vol. 14, pp. 203-222, 1997.
[2]Chow, G. C., "Technological Change and the Demand for Computers," American Economic Review, vol. 57: 5, pp. 1117-1130, 1967.
[3]Clapp, J. M., "A Semiparametric Method for Valuing Residential Locations: Application to Automated Valuation," The Journal of Real Estate Finance and Economics, vol. 27:3, pp. 303-320, 2004.
[4]Court, A. T., "Hedonic Price Indexes with Automotive Examples," New-York: in The General Motors Corporation, Eds., The Dynamics of Automobile Demand, 1939, pp. 99-117.
[5]Detweiler, J. H. and R. E. Radigan, "Computer Assisted Real Estate Appraisal: A Tool for the Practicing Appraiser," The Appraisal Journal, vol. 64:1, pp. 91-102, 1996.
[6]Do, A. Q. and G. Grudnitski, "A Neural Network Approach to Residential Property Appraisal," The Real Estate Appraiser, vol. 58:3, pp. 38-45, 1992.
[7]Evans, A., H. James, and A. Collins, "Artificial Neural Networks: an Application to Residential Valuation in the UK," Journal of Property Valuation & Investment, vol. 11, pp. 195-204, 1993.
[8]Hagan, M. T., H. B. Demuth, and M. H. Beale, Neural Network Design. Boston: PWS, 1996.
[9]Houthakker, H. S., "Compensated Changes in Quantities and Qualities Consumed," Review of Economic Studies, vol. 19: 3, pp. 155-164, 1952.
[10]James, H., "The Application of artificial intelligence to mass appraisal systems," in Computer Assisted Mass Appraisal: An International Review, W. J. McCluskey and A. S. Adair, Eds. Aldershot England: Ashgate, pp. 79-101, 1997.
[11]Jonathan, M. and M. A. Goldberg, "Multiple Regression Analysis and Mass Assessment：A Review of the Issues," The Appraisal Journal, vol. 56: 1, pp. 89-109, 1998.
[12]Kahneman, D. and A. Tversky, "Prospect Theory: An Analysis of Decision under Risk," Econometrica, vol. 47: 2, pp. 263-292, 1979.
[13]Lai, P. Y., "Analysis of the Mass Appraisal Model Using Artificial Neural Network in Kaohsiung City," in 23rd Pan Pacific Congress of Appraisers, Valuers and Counserlors San Francisco, 2006.
[14]Lancaster, K. J., "A New Approach to Consumer Theory," Journal of Political Economy, vol. 74: 2, pp. 132-157, 1966.
[15]Limsombunchai, V., C. Gan, and M. Lee, "House Price Prediction: Hedonic Price Model vs. Artificial Neural Network," American Journal of Applied Sciences, vol. 1: 3, pp. 193-201, 2004.
[16]Lockwood, L. J. and R. C. Rutherford, "Determinants of Industrial Property Value," REAL ESTATE ECONOMICS, vol. 24: 2, pp. 257-272, 1996.
[17]Marc, K. and A. Gerjan, "The Hierarchical Trend Model for Property Valuation and Local Price Indices," The Journal of Real Estate Finance and Economics, vol. 28:2/3, pp. 179-208, 2004.
[18]McCluskey, W. J., W. G. Deddis, I. G. Lamont, and R. A. Borst, "The Application of Surface Generated Interpolation Models for the Prediction of Residential Property Values," Journal of Property Investment & Finance, vol. 18, pp. 162 - 176, 2000.
[19]McCluskey, W. J., K. Dyson, S. Anand, and D. McFall, "The Mass Appraisal of Residential Property in Northern Ireland," in Computer Assisted Mass Appraisal: An International Review, W. J. McCluskey and A. S. Adair, Eds. Aldershot England: Ashgate pp. 59-77, 1997.
[20]Miller, N. G., "Residential property Hedonic pricing models : A Review," Research in Real Estate, vol. 2, pp. 31-56, 1982.
[21]Reichert, A. K., "Hedonic Modeling in Real Estate Appraisal: The Case of Environmental Damages Assessment," in Real Estate Valuation Theory, K. Wang and M. L. Wolverton, Eds. Boston: KAP, pp. 227-284, 2001.
[22]Roberto, A. F., "Modeling the value of location in Regina using GIS and spatial autocorrelation statistics," Assessment Journal, vol. 6: 6, pp. 29-37, 1999.
[23]Rosen, S., "Hedonic Price and Implicit Markets: Product Differentiation in Pure Competition," Journal of Political Economy, vol. 82, pp. 34-55, 1974.
[24]Sproule, R. and C. Valsan, "Hedonic Models and Pre-Auction Estimates: Abstract Art Revisited," Economics Bulletin, vol. 26: 5, pp. 1-10, 2006.
[25]Tay, D. P. H. and D. K. H. Ho, "Artificial Intelligence and the Mass Appraisal of Residential Apartments," Journal of Property Valuation and Investment, vol. 10:2, pp. 525-540, 1992.
[26]Tversky, A. and D. Kahneman, "Judgment under Uncertainty: Heuristics and Biases," Science, vol. 185: 4157, pp. 1124-1131, 1974.
[27]Waugh, F. V., "Quality Factors Influencing Vegetable Prices," Journal of Farm Economics, vol. 10: 2, pp. 185-196, 1928.
[28]Wong, K. C., T. P. S. Albert, and Y. C. Hung, "Neural Network vs. Hedonic Price Model: Appraisal of High-Density Condominiums," in Real Estate Valuation Theory, K. Wang and M. L. Wolverton, Eds. Boston: KAP, pp. 181-198, 2001.
[29]Yang, C.-H., "A Hybrid Method of Mass Appraisal with Hedonic Price and Quantile Regression," in The 12th Asian Real Estate Society (AsRES) Annual Conference and The 2007 AREUEA International Conference China: Faculty of Business Administration, University of Macau, 2007.
[30]行政院金融監督管理委員，"新版巴賽爾資本協定"，2004。
[31]吳秋霞，"以特徵價格法探討航空噪音對於大園鄉房地產之影響"，中央大學產業經濟學系碩士論文，2007。
[32]吳錦碧，"台北市與高雄市成屋價格因素影響之研究"，朝陽科技大學企業管理學系碩士論文，2002。
[33]李嘉淵，"應用演化式類神經網路、灰關聯分析及類神經模糊於不動產估價之研究"，朝陽科技大學財務金融學系碩士論文，2005。
[34]李曉隆，"出租公寓之租金價格預測-複迴歸分析與類神經網路的比較"，台灣科技大學企業管理學系碩士論文，2002。
[35]林尚德，"以反應空間不穩定性為基礎之土地估價模型建立"，成功大學都市計畫學系碩士論文，2003。
[36]林秋瑾，"穩健性住宅租金模式之探討-異常點之分析"，住宅學報，vol. 4，pp. 51-72，1996。
[37]林秋瑾、黃瓊瑩，"A Comparison between the Semi-parametric and Parametric CAMA Modeling of Court Auction Residential Housing Market in the Taipei Metropolitan Area"，住宅學報，vol. 16: 2，pp. 85-105，2007。
[38]林祖嘉、馬毓駿，"特徵方程式大量估價法在台灣不動產市場之應用"，住宅學報，vol. 16: 2，pp. 1-22，2007。
[39]林嵩麟，"成屋價格影響因素之研究"，朝陽科技大學企業管理研究所碩士論文，2000。
[40]張秀玲，"整合空間統計技術之土地大量估價方法之研究"，成功大學都市計劃學系碩士論文，2001。
[41]張怡文，"特徵價格法在住宅大量估價模型中的延伸-分量迴歸之應用"，政治大學地政學系碩士論文，2007。
[42]許世雄，"高雄市不動產價格之研究-以類神經網路與特徵價格為例"，屏東商業技術學院不動產經營學系碩士論文，2005。
[43]陳奉瑤、楊依蓁，"個別估價與大量估價之準確性分析"，住宅學報，vol. 16: 2，pp. 67-84，2007。
[44]陳樹衡、郭子文、棗厥庸，"以決策樹之迴歸樹建構住宅價格模型-台灣地區之實證分析"，住宅學報，vol. 16: 1，pp. 1-20，2007。
[45]彭克仲、陳姿萍，"台灣即飲咖啡特徵價格之研究"，農業經濟半年刊，vol. 75，pp. 83-112，2004。
[46]黃淑惠，"我國地價稅稅基評估之理論與實證分析－以台中市公告地價為分析對象"，政治大學財政學系博士論文，2000。
[47]楊思聰，"內湖線捷運對房價之影響"，中央大學產業經濟研究所碩士論文，2007。
[48]葉怡成，類神經網路模式應用與實作第八版，台北：儒林圖書有限公司，2006。
[49]蔡呈奇，"應用地域分析與地理資訊系統繪製土壤圖：以臺灣北部火山灰土壤為例"，臺灣大學農業化學學系博士論文，2002。
[50]蔡瑞煌、高明志、張金鶚，"類神經網路應用於房地產估價之研究"，住宅學報，vol. 8，pp. 1-20，1999。
[51]鄭麗玉，認知心理學－理論與應用第三版，台北：五南圖書出版有限公司，2007。
[52]賴碧瑩，"應用類神經網路於電腦輔助大量估價之研究"，住宅學報，vol. 16: 2，pp. 43-65，2007。
[53]魏如龍，"類神經網路於不動產價格預估效果之研究"，政治大學地政學系碩士論文，2003。
[54]羅華強，類神經網路－Matlab的應用，台北：高立圖書有限公司，2005。
[55]龔永香、江穎慧、張金鶚，"客觀標準化不動產估價之可行性分析─市場比較法應用於大量估價"，住宅學報，vol. 16: 2，pp. 23-42，2007。