臺灣博碩士論文加值系統

國內近年來重劃區成為都市主要發展的區域，住宅市場交易相當活絡；台南市虎尾寮重劃區及鄭子寮重劃區鄰近台南科技、科學圈區且交通便利，因此其住宅市場需求量可觀，使得兩重劃區域房地產的交易十分的活絡，可說是台南市目前開發最密集的區域，故本文乃透過問卷調查方式，進行台南市虎尾寮重劃區及鄭子寮重劃區新成屋價格及其特徵屬性資料調查；倒傳遞類神經網路學習準確度高、回想速度快，且可以使用含有雜訊的輸入資料等。但倒傳遞類神經網路易陷入局部最小值的問題及學習速度緩慢，因此本文加入科西轉換條件式解決局部最小值的問題及學習速度慢緩慢兩個問題，同時建立一台南市重劃區住宅價格模式。
兩重劃區內之多元迴歸住宅價格模式皆以半對數模式為最佳。然虎尾寮重劃區整體預估誤差為10.73%，鄭子寮重劃區域整體預估誤差為9.21％。類神經網路模式方面，虎尾寮重劃區以學習速率為0.05、慣性因子為0.9、學習循環數500次、隱藏層單元數4時為最佳，其整體誤差值8.91％為最小，鄭子寮重劃區域之類神經網路模式收斂情況並不明顯，由於鄭子寮重劃區目前處於正在開發中，尚有許多推案正在興建，且許多新住戶已與建設公司簽約但尚未搬入，無法訪問造成問卷數不足，造成類神經網路學習效果不佳，若能增加樣本數，則能使網路學習效果最為佳。
多元迴歸模型中的異常點與類神經網路模式異常點並不完全相同，若以一般統計方法或線性迴歸方式判斷是否為異常點，並不完全適用於類神經網路模式。因此，類神網路模型中，並不適用一般統計分法或線性迴歸判斷是否為異常而加以刪除。透過樣本多次隨機選取，可知學習樣本選取的過程，應將各種大小誤差範圍內的樣本均勻納入學習樣本組合中，才能獲得較佳的網路學習效果。

Recently, the trade of the readjustment areas is very hot because that where became main developed zones in the city. The demand of hosing market of the Hu Wei Liao and the Jheng Zin Liao readjustment areas, where are close to the Tainan science-based industrial park and the Tainan technology industrial park, is considerable due to traffic are convenient. For this reason, the trade of these two adjustment area is not only very hot but also the most intensive areas in Tainan lately. The purposes of this price were to investigate price of new housing and its hedonic property through questionnaire and developed a predictive model of the housing price by the method of back-propagation artificial neural network（BANN）, that is high accurate learning, fast recalling speed and it can use input information containing noise. But BANN has problems of local minima and slow convergence, so in the paper added the Cauchy machine switching condition to solve these two problems in order to establish the housing price model of Tainan readjustment area at the same time.
The Semi-log form model is the best one among four traditional multiple model for two readjustment areas. However, the mean absolute percentage error（MAPE）of Hu Wei Liao is 10.73% and Jhen Gzin Liao is 9.21%. About BANN, the learning rate of Hu Wei Liao is 0.05, momentum term is 0.9, learning cycle is 500 times, the nodes of hidden layer 4 is the best, the MAPE 8.91% is the lowest .The convergence condition of the models of the Jhen Zin Liao is not obvious, because the area is developing presently, still many cases are building, many residenters who have signed contract with building company did not move into. The number of survey equal to 99 samples is not enough because we can not visit them, and this makes BANN learning effect bad.
The outlier of the traditional multiple regression model is not same as BANN model. If we use general statistics method or liner regression to judge it is outlier or not, it’s not suitable totally to BANN model. Thus, in the artificial neural network model , it’s not suitable to use statistics method and liner regression to judge, so in this paper we deleted them further. Through sample random choose, we can know the chosing process of learning sample .If we want to get the best network learning effect, we should add the samples which are inside error range to learning sample combination.

目錄
摘要 I
誌謝 III
目錄 IV
表目錄 VII
圖目錄 IX
第一章 緒論 1
第一節 前言 1
第二節 研究目的 3
第三節 研究方法與範圍 3
一、研究方法 3
二、研究範圍 3
第四節 研究內容與流程 6
第二章 文獻回顧 8
第一節 住宅價格影響因素 8
第二節 類神經網路應用於住宅估價 12
一、國外相關文獻 12
二、國內相關文獻 16
三、小結 18
第三章 研究方法 20
第一節 類神經網路模型 20
一、類神經網路簡介 20
二、類神經網路之基本架構 21
三、倒傳遞類神經網路理論 24
四、改良倒傳遞類神經網路模式 28
第二節 研究設計 31
一、傳統多元迴歸模型 31
二、倒傳遞類神經網路模型 33
三、模式預估誤差評估指標 39
第四章 問卷調查及資料說明 40
第一節 影響住宅價格特徵因子選取 40
一、自變數（independent variables） 40
二、應變數（dependent variable） 42
第二節 資料來源 43
一、住宅價格 43
二、住宅屬性資料 43
第三節 資料整理與分析 45
第五章 實證分析結果 52
第一節 多元迴歸模式 52
一、虎尾寮重劃區 52
二、鄭子寮重劃區 55
三、兩區域模式比較 58
第二節 類神經網路模式 62
一、虎尾寮重劃區 63
二、鄭子寮重劃區 68
第三節 模式比較與討論 72
一、類神經網路模式之可行性 72
二、因子及學習模式之特徵 75
第六章 結論與建議 92
第一節 結論 92
第二節 建議 94
參考文獻 95
附錄一 問卷調查表 97
附錄二 虎尾寮重劃區住宅屬性及住宅價格資料 99
附錄三 鄭子寮重劃區住宅屬性及住宅價格資料 105
附錄四 倒傳遞類神經網路VB程式碼 109

Borst.R.A, “Artificial Neural Network : The Next Modeling / Calibration Technology for the Assessment Community? ”, Artificial Neural Network , pp.69-94 , 1992 .
Do.A.Q and Grudnitski . G, “A Neural Network Approach to Residential Property Appraisal .” The Journal of Real Estate Research , December , pp.38-45 , 1992.
Lee.T.T and Jeng.J.T, “An improved Back-Propagation / Cauchy Machine Network .” Industrial Electronics,1993 Conference Proceedings, ISIE93-Budapest, IEEE International Symposium on , 1-3 Jun 1993 , pp321-326., 1993.
Mcgreal.S, Adair.A, Mcburney.D and Patterson.D, “ Neural Network：the prediction of residential values .” Journal of Property Valuation ＆ Investment , Vol.16 , No.1 , pp57-70 , 1998.
Nguyen .N. and Cripps. A. ,“ Predicting Housing Value ：A Comparison of Multiple Regression Analysis and Artificial Neural Networks .” The Journal of Real Estate Research, Vol.22 , No.3 , pp.313-336,2001.
Philip .D , “A Combined Back-Propagation / Cauchy Machine Network .” Journal of Neural Network Computing , pp.34-40, 1990.
Rosen.S , “ Hedonic Price and Implicit Markets : Product DifferentiationPure Competition. ” Journal of Political Economy, Vol. 82, pp. 34-55,1974.
Worzala E.M , Lenk , M and Silva , A,“An Exploration of Neural Network and Its Application to Real Estate Valuation . ” The Journal of Real Estate Research,Vol.10 , No.2 , pp.185-202 , 1995.
Worzala E.M , Lenk . M and Silva . A, “ High-tech Valuation: Should Artificial Neural Network Bypass the Human Valuer ? ” Appraisal Journal , January , pp.89-109 , 1997.
李博志，應用計量經濟學，初版，台北市：五南，2000。
周政宏，神經網路-理論與實務，初版，台北市：松崗，1995。
林宏明、張順孔、李德河、方世杰，類神經網路應用在阿里山公路崩壞潛能評估之研究，2004全國災害危機處理學術研討會論文集，台南，第2-102~2-109頁，2004
林秋瑾、楊宗憲、張金鶚，「住宅價格指數之研究-以台北市為例」，住宅學報，第4期，第1-30頁，1995。
林英彥，不動產估價，九版，台北市：文笙，2000。
林啟淵、高文津，「住宅屬性與房價關係之研究」，台灣經濟金融月刊，第37卷，第9期，第100-107頁，2001
林嵩麟，成屋價格影響因素之研究，朝陽大學企業管理系碩士班碩士論文，2000。
翁淑真，台北市空氣污染對住宅價格影響之研究，國立中興大學都市計畫研究所碩士論文，1992。
張金鶚，房地產投資與決策分析理論與實務，二版，台北市：華泰，1997。
張金鶚、林秋瑾、楊宗憲，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，1995。
張金鶚、劉秀玲，「房地產品質、價格與消費者物價指數之探討」，國立政治大學學報，第67期（下），第369-400頁，1993。
張斐章、張麗秋、黃浩倫，類神經網路理論與實務，初版，台北市：東華，2003
陳彥仲、林國民，「臺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，第303-320頁，1998
辜炳珍、劉瑞文，房地產價格指數查編之研究，行政院主計處，1988。
黃啟福，住宅屬性需求之研究-台北市松山、大安、古亭區為例，國立中興大學都市計畫研究所碩士論文，1983。
葉怡成，應用類神經網路，八版，台北市：儒林，2003。
劉振誠，住宅價格影響因素之研究-台北市松山、中山、大安、古亭區為例，國立中興大學都市計畫研究所碩士論文，1986。
蔡瑞煌、高志明、張金鶚，「類神經網路應用於房地產估價之研究」，住宅學報，第八期，第1-20頁，1998。
賴明宏，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，1996。
魏如龍，類神經網路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，2003。