臺灣博碩士論文加值系統

如何精確估計不動產價格一直為房地產研究領域的熱門話題。影響房地產價格形成因素眾多，變數選擇與估價方法之不同亦會影響估價的準確性。過往較常使用市場比較法、收益還原法、成本法與特徵價格法(迴歸模式)等進行估價，但上述方法各有其主客觀考慮不同之處，並不能準確有效地進行預估。隨資訊產業快速發展，利用電腦模擬人類思考模式而發展的類神經網路技術(artificial neural network, ANN)則逐漸運用於估價上。
產、官、學界過往針對房地產價格預測研究，主要針對透過不同估價方法與計量模型之建立，以進行房地產價格預測與檢驗。並探討房地產價格變化之相關變數對房地產價格影響程度。
本研究分別運用特徵價格法(迴歸模式)及類神經網路技術預測台北市房地產價格，試圖建立一套估價模型以進行房價之預測。實證結果顯示，資料樣本區分時，特徵價格法之預測準確性優於類神經網路。時間因素對預測準確性之影響並不顯著，但對公寓住宅則有顯著提升，整體預測準確性仍以特徵價格法優於類神經網路。以平均成交單價為依變數時亦有同樣之結果。影響台北市房價之主要因素仍以房屋自身因素如坪數、有無停車位、樓高比等因素較為相關，總體環境因素與鄰里環境影響房地產價格並不明顯。

Estimating a housing price precisely is always an important issue in real estate research. Normally, it is hard for real estate consumers or investors to evaluate their real estate purchases or investments. The value assessments in the past were made manually and wasted too much time. The housing price probably has lots of research bias. Due to the development of information technology, many researchers imitated the functioning of the human brain to develop the neural network. It was applied to real estate appraisal in the late 1990s.
The empirical results show that the hedonic price is better than ANN. The influence of time serious impact the Housing price is not significant. However, it will influence the apartment a lot. In unit price has the same results. Among all the influences on real estate prices, housing characteristics like feet, parking, and floors of the building have direct impacts on the structural changes of housing prices. Neighborhood attributes, and macroeconomic variables affects prices indirectly.
In this paper we build a mass appraisal model using the hedonic equation model and annual neural network (ANN), including housing characteristics, neighborhood attributes, and macroeconomic variables, and then apply a dataset with more than 10,000 real estate mortgages to construct a housing price equation. According to several statistics, including R-squared, the mean absolute percentage error (MAPE), and the firecast error (FE), the findings indicate that the estimation results of our pricing model are quite satisfactory. This implies that mass appraisal could be a good model to apply in Taiwan.

謝　　詞 ii
ABSTRACT v
目 錄 vi
表目錄 viii
圖目錄 xii
第一章 緒論 1
第一節 研究動機與背景 1
第二節 研究目的與問題 3
第三節 研究問題與限制 4
第四節 研究方法、範圍與流程 6
第二章 文獻回顧 11
第一節 房地產市場特性與現況 11
第二節 不動產估價理論 14
第三節 不動產估價方法 16
第四節 類神經網路 20
第五節 影響房地產價格因素 28
第三章 研究模型 33
第一節 模式建立 33
第二節 預估衡量指標 39
第四章 資料敘述與說明 41
第一節 資料來源與分析 41
第二節 變數選取 43
第五章 實證分析 53
第一節 研究架構 53
第二節 實證分析 55
第三節 結果比較 127
第六章 結論 133
第一節 研究結論 133
第二節 研究建議 136
參考文獻 138
附錄 144
著作權聲明 149

一、中文部份
李建德 (2009)。住宅區段地價估價模型之建立-臺北縣三峽鎮為例。國立政治大學地政學系碩士在職專班未出版之碩士論文。
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未出版之碩士論文。
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未出版之碩士論文。
李志祥 (1994)。容積管制、住宅品質與住宅價格關係之研究─間論土地變更利益回饋。私立淡江大學建築工程學系未出版之碩士論文。
林英彥 (2003)。不動產估價理論。臺北：文笙書局。
林恩從、高斐蘭 (1998)。台灣地區房地產景氣與經濟、金融變數之共整合研究。國立中山大學財務管理學系未出版之碩士論文。
林秋瑾、黃佩玲 (1995)。住宅價格與總體經濟變數關係之研究：以向量自我迴歸模式進行實證。國立政治大學地政學系未出版之碩士論文。
林祖嘉、馬毓駿 (2007)。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，16(2)，1- 22。
林祖嘉、林素菁 (1994)。台灣地區住宅消費性需求彈性與投資性需求彈性之估計。國立政治大學經濟學研究所未出版之碩士論文。
林慎福 (2005)。台中市地價與股價關聯性之研究。私立朝陽科技大學營建工程系碩士班未出版之碩士論文。
卓輝華 (1994)。不動產估價實務與理論。臺北：文笙書局。
花敬群 (1997)。住宅市場價格與數量之關係。國立政治大學地政學系未出版之博士論文。
沈道剛 (2001)。科學園區員工住宅需求及通勤行為之研究─以新竹科學園區為例。國立東華大學環境政策研究所未出版之碩士論文。
吳錦碧 (2000)。台北市與高雄市成屋價格影響因素之比較。私立朝陽科技大學企業管理學研究所未出版之碩士論文。
吳綱立 (1989)。住宅價格與都市住宅空間分佈之實證研究─以台中市為例。私立東海大學建築工程研究所未出版之碩士論文。
吳修廉 (1993）。房地產景氣及其影響因素之研究─以台中都會區為例。私立東海大學企業管理研究所未出版之碩士論文。
洪得洋、林祖嘉 (1999)。捷運系統與道路寬度對房屋價格之影響。國立政治大學經濟研究所未出版之碩士論文。
高明志 (1998)。類神經網路應用於房地產估價之研究。住宅學報，8，1-20。
葉怡成 (2003)。應用類神經網路。臺北：儒林書局。
曹昌勝 (2007)。房地產泡沫化模型之探討。國立台灣大學國際企業學系研究所未出版之碩士論文。
陳奉瑤、楊依蓁 (2007)。個別估價與大量估價之準確性分析。住宅學報，16(2)，67-84。
陳明吉 (1989)。房地產價格變動因素及影響研究。國立政治大學地政研究所未出版之碩士論文。
陳佳甫 (2008)。購屋者房價預期分析。國立政治大學地政研究所未出版之碩士論文。
彭建文，張金鍔 (2000)。總體經濟對房地產之影響。國科會人文及社會科學研究彙刊，10(3)，171-186。
彭建文、林秋瑾、楊雅婷 (2004)。房價結構性改變影響因素分析以台北市、台北縣房價為例。台灣土地研究，7(2)，27-46。
許獻叡 (2005)。台中市豪宅投資方案評估模式之研究。私立朝陽科技大學建築及都市設計研究所未出版之碩士論文。
許易民 (2008)。台灣房地產景氣循環之影響與對策。行政院經建會綜合規劃研究96及97年，327-346
張曦方 (1994)。住宅樓層價差之探討。國立政治大學地政學系未出版之碩士論文。
張麗姬 (1994)。從遠期契約和現貨的角度論預售屋和成屋的價格關係─以台北市為例。住宅學報，2，67-85。
張金鶚、林秋瑾 (1997)。台灣地區房地產景氣指標電腦輔助系統之建立與運用。內政部建築研究所委託。
張家源 (2004)。住宅單元面積與建足宗地面積之關係，及其規劃之含義。國立台灣大學建築與城鄉研究所未出版之碩士論文。
張誌文 (2011)。影響房地產價格之總體經濟因素分析。國立台灣大學經濟研究所未出版之碩士論文。
曾建穎、張金鶚、花敬群 (2005)。租金與房價─穿越時空的龜兔賽跑。國立政治大學地政學系未出版之碩士論文。
游淑惠 (1994)。類神經網路應用於國宅需求特性分析之研究。國立成功大學都市計畫研究所未出版之碩士論文。
傅舒妙 (1990)。台灣都會區住宅價格影響因素之探討。國立中興大學經濟研究所未出版之碩士論文。
楊世國 (2001)。台中市七期重劃區住一獨棟別墅空間特性與形成之研究。私立東海大學建築學系未出版之碩士論文。
蔡瑞煌，高明志和張金鶚 (1999)。類神網路應用於房地產估價之研究。住宅學報，8，1-20。
蔡育政 (2009)。影響房地產價格因素之研究：以台中市北屯區、西屯區、南屯區、中區、東區為例。朝陽科技大學財務金融系未出版之碩士論文。
蔡宗憲 (2006)。類神經網路模式於短期列車旅運量需求預測之應用。國立成功大學交通管理學系碩博士班未出版之博士論文。
蔡曜如 (2003)。我國房地產市場之發展、影響暨政府因應對策。中央銀行季刊，25(4)，31-46。
賴碧瑩 (2007)。應用類神經網路於電腦輔助大量估價之研究。住宅學報，16(2)，43-65。
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未出版之碩士論文。
顏聰玲 (2004)。不動產市場分析與預測。私立崑山科技大學未出版之碩士論文。
譚釗孟 (1998)。台中市民間住宅供給特性之分析，私立逢甲大學建築及都市計畫研究所未出版之碩士論文。
龔永香 (2007)。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。國立政治大學地政學系研究所未出版之碩士論文。
二、英文部份
Alonso, W. (1964). Location and Land Use. Harvard University Press.　Cambridge, Mass.
Borst, R. A. (1992). Artificial neural network: The next modeling / calibration technology for the assessment community. Property Tax Journal, 10(1), 69-94.
Capozza, R. D., & Robert, W. H. (1989). The fundamentals of land prices and urban growth. Journal of Urban Economics, 26(3), 295-306.
Darrat, A. F., & Glasock, J. L. (1993). On the real estate market efficiency. Journal of Real Estate Finance and Economics, 7(1), 55-72.
Do, A. Q., & Grundnistski, G. (1993). A neural network analysis of the effect of the age on housing values. Journal of Real Estate Research, 8(2), 253-264.
Evans, A., James, H., & Collins, A. (1991). Artificial Neural Network: an Application to Residential Valuation in the UK. Journal of Property Valuation & Investment, 11(2), 195-204.
Gatzlaff, D. H., & Smith, M. T. (1993). The impact of the Miami Metrorail on the value of residences near station locations. Land Economics, 69(1), 54-66
Huh, S., & Kwak, S. J. (1997). The choice of functional form and cariables in the hedonic price model in Seoul. Urbam Studies, 34(7), 989-998.
Jud, G. D., & Winkle, D. T. (2002). The dynamics of metropolitan housing prices. Journal of Real Estate Research, 23(1-2), 29-45.
Kau, J. B., & Keenan, D. C. (1981). The valuation and analysis of adjustable rate mortgages. Management Science, 36(12), 1417-1431.
Lancaster, K. J. (1996). A new approach to omsumer theory. Journal of Political Economy, 74(2), 132-157.
Lippman, R. (1987). An introduction to computing with neural nets. ASSP Magazin, IEEE. 4(2), 4-22.
McCluskey, W. J., & Borst, R. A. (1997). An evaluation of MRA, comparable sales analysis, and ANNs for the mass appraisal of residential properties in Northern Ireland. Assessment Journal, 4(1), 47-55
McCue, T. E., & Kling, J. L. (1994). Real estate returns and the macro economy: Some empirical evidence from real estate investment trust date, 1972-1991, The Journal of Real Estate Research, 9(3), 277-288.
McGreal, S., Adair, A., McBurney, D., & Patterson, D. (1998). Neural network: The prediction of residential values. Journal of Property Valuation＆Investment, 16(1), 57-70.
Meen, G. (2000). Housing cycles and efficiency, Scottish Journal of Political Economy, 47(2), 114-40.
Nguyen, N., & Cripps, A. (2001). Predicting housing value: A comparison of multiple regression analysis and artificial neural network. The Journal of Real Estate Researc, 22(3), 313-336.
Rosen, S. (1974). Hedonic Prices and Implicit Market: Product differentiation in pure competition. Journal of Political Economy, 82(1), 34-55.
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Letters to Nature, 323, 533-536.
Tay, D. P., & Ho, D. K. (1991). Artificial intelligence and the mass appraisal of residential apartments. Journal of Property Valuation ＆ Investment, 10(2), 525-540.
Widrow, B., Rumelhart, D., & Lehr, M. A. (1994). Neural network: applications in industry, bsiness and science, Communication of the ACM, 37(3), 93-105.
Zhang, G., Hu, Y. M., Patuwo, B. E., & Indro. D. C. (1999). Artificial neural networks in bankruptcy prediction: General framework and cross-validation analysis. European Journal of Operational Research, 16(1), 16-32.