下載電子全文 （限經由淡江IP使用）
 系統識別號 U0002-1507201412110900 中文論文名稱 逐步分解迴歸分析法在房地產估價模型的應用 英文論文名稱 Building real estate valuation models with stepwise decomposition regression analysis 校院名稱 淡江大學 系所名稱(中) 土木工程學系碩士班 系所名稱(英) Department of Civil Engineering 學年度 102 學期 2 出版年 103 研究生中文姓名 詹巧薇 研究生英文姓名 Chiao-Wei Chan 學號 601380149 學位類別 碩士 語文別 中文 口試日期 2014-06-11 論文頁數 110頁 口試委員 指導教授-葉怡成委員-葉怡成委員-蔡明修委員-蔡裕陽 中文關鍵字 逐步分解  迴歸分析  房地產估價  特徵價格法 英文關鍵字 stepwise decomposition  regression analysis  real estate valuation  hedonic pricing method 學科別分類 學科別＞應用科學＞土木工程及建築 中文摘要 特徵價格法通常以多變數迴歸分析法來建立房地產估價公式。這種方法相當簡便，但有幾個缺點，不易理解、不通用性、不具有應用性及模型彈性差。本研究目的在於提出一個逐步分解迴歸分析法來克服上述缺點。本研究考慮的因子包括：(1)捷運站距離之影響因子k1，代表交通的便利性對每坪單價的影響係數，(2) 徒步生活圈內的超商數之影響因子k2，代表生活機能的便利性對每坪單價的影響係數，(3) 屋齡之影響因子k3，代表屋齡對每坪單價的影響係數，（4）成交年月之影響因子k4，代表成交年月對每坪單價的影響係數，（5）二度空間因子k5，代表空間區位對每坪單價的影響係數。考慮的區域有新店區、淡水區、文山區、北投區四區，分別建立模型。研究果顯示，四個區域的房地產估價20%誤差命中率均在70%以上。 英文摘要 Multivariate regression analysis is usually employed to establish real estate valuation formula. This approach is quite simple, but it has a few drawbacks including being difficult to understand the meaning of the coefficients, cannot be universal to another areas, cannot be used in comparison approach, and without good flexibility. The purpose of this study is to propose the stepwise decomposition regression analysis to overcome these shortcomings. The factors considered in this study include The factor of the distance to the nearest MRT station which represents the impact of transportation function to the price per unit area. The factor of the number of convenience stores in the living circle on foot which represents the impact of living function to the price per unit area. The factor of the age of house which represents the impact of the quality of the house to the price per unit area. The factor of transaction date which represents the impact of market trend to the price per unit area. The factor of the geographic coordinates which represent the impact of spatial location to the price per unit area. The results showed that the 20% error hit rates of real estate valuation were greater than 70% for all the four testing areas in Taipei City and New Taipei City. 論文目次 目錄 目錄 I 圖目錄 III 表目錄 VI 第一章 導論 1 1-1 研究動機 1 1-2 研究方法 2 1-3 研究內容 2 第二章 文獻回顧 3 2-1 前言 3 2-2 房地產價格之因素 5 2-3房地產估價之原則 8 2-4房地產估價之程序 11 2-5 房地產估價方法之原理：價值、成本、價格 13 2-6 特徵價格法的原理 15 2-7 特徵價格法的應用 23 2-8 影響房地產價格的特徵之研究 26 第三章 研究方法 28 3-1前言 28 3-2傳統多變數迴歸分析法 28 3-3以逐步分解法建構多因子迴歸模型 28 3-4基於逐步分解法多因子迴歸模型的比較法 39 第四章 研究結果 44 4-1前言 44 4-2資料的收集 44 4-3傳統多變數迴歸分析法 50 4-4逐步分解迴歸分析法 51 4-5基於逐步分解法多因子迴歸模型的比較法 84 4-6三種方法之模型準確度比較 86 4-7房價因子的意義之討論 86 第五章 結論與建議 89 5-1 結論 89 5-2 建議 91 參考文獻 93 附錄一、影響係數與每坪房價目標值預測值之等高線圖 96 附錄二、影響係數與每坪房價目標值預測值之等高線圖matlab程式 105 附錄三 論文答辯摘要 108 圖目錄 圖2- 1房地產價格之因素[5] 7 圖2- 2區域分析與個別分析vs近鄰地區與類似地區[5] 8 圖2- 3房地產估價之方法 13 圖2- 4 特徵價格法原理 16 圖2- 5 出售樓層 v.s. 每坪單價 19 圖2- 6 交屋年月(民國年) v.s. 每坪單價 19 圖2- 7 屋齡(年) v.s. 每坪單價 20 圖2- 8 距最近捷運站距離(km) v.s. 每坪單價 20 圖2- 9 500公尺內超商數v.s. 每坪單價 20 圖2- 10 距最近捷運站距離反比、500公尺內超商數兩自變數的共線性 21 圖2- 11預測值與實際值比較 22 圖3- 1 距離最近捷運站距離對房地產每坪單價的影響........................................ 30 圖3- 2 徒步生活圈內的超商數對房地產每坪單價的影響 30 圖3- 3 屋齡對房地產每坪單價的影響 30 圖3- 4 成交年月對房地產每坪單價的影響 31 圖3- 5第一個因子排序前，十等分分組的自變數平均值與因變數(修正因子)平均值的散佈圖 36 圖3- 6第一個因子排序後，十等分分組的自變數平均值與因變數(修正因子)平均值的散佈圖 37 圖3- 7第一個因子排序後，線性預測模型 37 圖3- 8第一個因子排序後，二次預測模型 37 圖3- 9第一個因子排序後，對數預測模型 38 圖3- 10第一個因子排序後，指數預測模型 38 圖3- 11第一個因子排序後，乘冪預測模型 38 圖3- 12直接以樣本迴歸，對數預測模型 39 圖4- 1資料蒐集的流程............................................................................................. 46 圖4- 2信義成交行情網頁 46 圖4- 3輸入要搜尋的市區 47 圖4- 4 設定查詢條件(日期) 47 圖4- 5 列印資料 48 圖4- 6將資料放入Excel 48 圖4- 7成交時機子k4之比較 51 圖4- 8距離最近捷運站距離對房地產每坪單價的影響：新北市新店區 52 圖4- 9徒步生活圈內的超商數對房地產每坪單價的影響：新北市新店區 52 圖4- 10屋齡對房地產每坪單價的影響：新北市新店區 52 圖4- 11成交年月對房地產每坪單價的影響：新北市新店區 52 圖4- 12距離最近捷運站距離對房地產每坪單價的影響：台北市北投區 52 圖4- 13徒步生活圈內的超商數對房地產每坪單價的影響：台北市北投區 52 圖4- 14屋齡對房地產每坪單價的影響：台北市北投區 53 圖4- 15成交年月對房地產每坪單價的影響：台北市北投區 53 圖4- 16距離最近捷運站距離對房地產每坪單價的影響：台北市文山區 53 圖4- 17徒步生活圈內的超商數對房地產每坪單價的影響：台北市文山區 53 圖4- 18屋齡對房地產每坪單價的影響：台北市文山區 53 圖4- 19成交年月對房地產每坪單價的影響：台北市文山區 53 圖4- 20距離最近捷運站距離對房地產每坪單價的影響：新北市淡水區 53 圖4- 21徒步生活圈內的超商數對房地產每坪單價的影響：新北市淡水區 53 圖4- 22屋齡對房地產每坪單價的影響：新北市淡水區 54 圖4- 23成交年月對房地產每坪單價的影響：新北市淡水區 54 圖4- 24距離最近捷運站距離與因子k1的廻歸線：新北市新店區 56 圖4- 25徒步生活圈內的超商數與因子k2的廻歸線：新北市新店區 56 圖4- 26屋齡與因子k3的廻歸線：新北市新店區 57 圖4- 27成交年月與因子k4的廻歸線：新北市新店區 57 圖4- 28 二度空間因子k5的泡泡圖(樣本實際值)：新北市新店區 58 圖4- 29 二度空間因子k5的泡泡圖(迴歸預測值)：新北市新店區 58 圖4- 30 二度空間因子k5的曲面圖(迴歸預測值)：新北市新店區 59 圖4- 31 二度空間因子k5的等高線圖(迴歸預測值)：新北市新店區 59 圖4- 32 每坪單價實際值對預測值的散布圖：新北市新店區 60 圖4- 33距離最近捷運站距離與因子k1的廻歸線：新北市淡水區 61 圖4- 34徒步生活圈內的超商數與因子k2的廻歸線：新北市淡水區 62 圖4- 35屋齡與因子k3的廻歸線：新北市淡水區 62 圖4- 36成交年月與因子k4的廻歸線：新北市淡水區 63 圖4- 37 二度空間因子k5的泡泡圖(樣本實際值)：新北市淡水區 63 圖4- 38 二度空間因子k5的泡泡圖(迴歸預測值)：新北市淡水區 64 圖4- 39 二度空間因子k5的曲面圖(迴歸預測值)：新北市淡水區 64 圖4- 40 二度空間因子k5的等高線圖(迴歸預測值)：新北市淡水區 65 圖4- 41 每坪單價實際值對預測值的散布圖：新北市淡水區 65 圖4- 42距離最近捷運站距離與因子k1的廻歸線：台北市文山區 67 圖4- 43徒步生活圈內的超商數與因子k2的廻歸線：台北市文山區 67 圖4- 44屋齡與因子k3的廻歸線：台北市文山區 68 圖4- 45成交年月與因子k4的廻歸線：台北市文山區 68 圖4- 46 二度空間因子k5的泡泡圖(樣本實際值)：台北市文山區 69 圖4- 47 二度空間因子k5的泡泡圖(迴歸預測值)：台北市文山區 69 圖4- 48 二度空間因子k5的曲面圖(迴歸預測值)：台北市文山區 70 圖4- 49 二度空間因子k5的等高線圖(迴歸預測值)：台北市文山區 70 圖4- 50 每坪單價實際值對預測值的散布圖：台北市文山區 71 圖4- 51距離最近捷運站距離與因子k1的廻歸線：台北市北投區 72 圖4- 52徒步生活圈內的超商數與因子k2的廻歸線：台北市北投區 73 圖4- 53屋齡與因子k3的廻歸線：台北市北投區 73 圖4- 54成交年月與因子k4的廻歸線：台北市北投區 74 圖4- 55 二度空間因子k5的泡泡圖(樣本實際值)：台北市北投區 74 圖4- 56 二度空間因子k5的泡泡圖(迴歸預測值)：台北市北投區 75 圖4- 57 二度空間因子k5的曲面圖(迴歸預測值)：台北市北投區 75 圖4- 58 二度空間因子k5的等高線圖(迴歸預測值)：台北市北投區 76 圖4- 59 每坪單價實際值對預測值的散布圖：台北市北投區 76 圖4- 60離最近捷運站距離因子k1之比較 79 圖4- 61步生活圈內的超商數因子k2之比較 80 圖4- 62屋齡因子k3之比較 80 圖4- 63成交年月因子k4之比較 80 圖4- 64成交時機子k4之比較 81 圖4- 65 逐步分解過程中每坪單價誤差均方根的大小除以無模型下的誤差均方根之結果 84 圖4- 66房價因子的意義之架構 87 圖4- 67生活圈概念圖 88 表目錄 表2- 1 房地產價格之因素 7 表2- 2 新北市新店區2012-2013年電梯大樓實價登錄資料 18 表2- 3觀察數據 19 表2- 4相關係數分析 21 表2- 5迴歸分析 22 表3- 1 變異之均方根................................................................................................ 31 表3- 2方法一：變數權重正比於變異之均方根 42 表3- 3方法二：變數權重正比於變異 42 表3- 4方法三：變數權重正比於變異之均方根之平均值 43 表3- 5方法四：變數權重正比於變異之平均值 43 表4- 1信義房屋成交行情內容.................................................................................. 44 表4- 2四區樣本數目 49 表4- 3四區樣本的變數統計 49 表4- 4多變數迴歸分析模型 (圖中黑體字為通過5%顯著水準) 50 表4- 5多變數迴歸分析模型準確度比較 51 表4- 6 變異之均方根 54 表4- 7距離最近捷運站距離之影響係數k1模型 78 表4- 8徒步生活圈內的超商數之影響係數k2模型 78 表4- 9屋齡之影響係數k3模型 78 表4- 10成交年月之影響係數k4模型 78 表4- 11二度空間因子k5模型 (係數與t統計量) 79 表4- 12逐步分解迴歸分析法模型準確度比較 83 表4- 13新北市新店區 85 表4- 14新北市淡水區 85 表4- 15台北市文山區 85 表4- 16台北市北投區 85 表4- 17基於逐步分解法多因子迴歸模型的比較法模型準確度比較 86 表4- 18三種方法的模型準確度的四區平均值之比較 86 參考文獻 參考文獻 [1] 賴碧瑩，現代不動產估價理論與實務，台北，智勝文化。 [2] 林伯宜，本土化不動產估價，台北，文笙。 [3] 卓輝華，不動產估價，台北，五南圖書出版股份有限公司 [4] 柴強，房地產估價，北京，首都經濟貿易大學出版社。 [5] 不動產估價技術規則【公布機關】內政部http://www.6law.idv.tw/6law/law3/%E4%B8%8D%E5%8B%95%E7%94%A2%E4%BC%B0%E5%83%B9%E6%8A%80%E8%A1%93%E8%A6%8F%E5%89%87.htm [6] MBA智庫百科http://wiki.mbalib.com/zh-tw/%E7%89%B9%E5%BE%81%E4%BB%B7%E6%A0%BC%E6%B3%95 [7] 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，第十六卷，第二期，1-22頁。 [8] 劉時旭，類神經網路應用於法拍不動產估價，中興大學，土木工程學系所，碩士論文。 [9] 梁郅興，應用類神經網路建構不動產估價模式 －以臺北市為例，輔仁大學，資訊管理學系，碩士論文。 [10] 劉玉婷，應用迴歸分析及類神經網路建構不動產估價模式-以台中市住宅為例，雲林科技大學，營建工程系碩士班，碩士論文。 [11] 林秋瑾、沈育生、尤銘芳、吳佩容，各種演算技術之人工神經網路在不動產大量估價上的應用，中華民國住宅學會，第19屆年會暨學術研討會。 [12] 張金鶚、蔡瑞煌、高明志，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。 [13] 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，第8期，1-20頁。 [14] 陳治勳，應用模糊類神經網路於房地產價格之研究 ─以北、高兩市為例，國立屏東商業技術學院，不動產經營系，碩士論文。 [15] Peterson, S. & Flanagan, A. B. “Neural network hedonic pricing models in mass real estate appraisal,” Journal of Real Estate Research, Vol. 31, No. 2, 147-164. [16] Friesen, D., Patterson, M., and Harmel, B. “A Comparison of Multiple Regression and Neural Networks for Forecasting Real Estate Values,” Regional Business Review, Vol. 30, 114-136. [17] Zurada1, J., Levitan, A. S., and Guan, J. “A Comparison of Regression and Artificial Intelligence Methods in a Mass Appraisal Context,” Journal of Real Estate Research, Vol. 33, No. 3, 349-387. [18] Al-Akhras, M. “An Evolutionary-Optimised Artificial Neural Network Approach for Automatic Appraisal of Jordanian Lands and Real Properties,” Proceedings of the 11th WSEAS international conference on neural networks, 203-208. [19] Nghiep, N. and Al, C. “Predicting housing value A comparison of multiple regression analysis and artificial neural networks,” Journal of Real Estate Research, Vol. 22, No. 3, 313-336. [20] Liu, X. S. Deng, Z., and Wang, T. L. “Real estate appraisal system based on GIS and BP neural network,” Transactions of Nonferrous Metals Society of China, Vol. 21, 6212-630. [21] 蔡爾逸，應用支撐向量機(SVM)於都市不動產價格預測之研究，國立中央大學，營建管理研究所，碩士論文。 [22] 李嘉惠，結合基因演算法於不動產自動估價模型之研究，世新大學，資訊管理學研究所，碩士論文。 [23] 冉怡瑄，應用迴歸樹演算法於房地產估價之研究，長庚大學，資訊管理學系，碩士論文。 [24] Antipov, E. A. and Pokryshevskaya, E. B. “Mass appraisal of residential apartments An application of Random forest for valuation and a CART-based approach for model diagnostics,” Expert Systems with Applications, Vol. 39, No. 2, 1772-1778. [25] Gonzalez, A. J. and Laureano-Ortiz, R. “A case-based reasoning approach to real estate property appraisal,” Expert Systems with Applications, Volume 4, No. 2, 229–246. [26] Kilpatrick, J. “Expert Systems and Mass Appraisal,” Journal of Property Investment & Finance, Vol. 29, No. 4/5, 529-550. [27] 黃韋憲，都會區住宅用地價格評估模式之建構，國立中央大學，營建管理研究所，碩士論文。 [28] 楊宗憲、蘇幸慧，迎毗設施與鄰避設施對住宅價格影響之研究，住宅學報，第20卷，第2期，61-80頁。 [29] 王潔敏，大眾運輸系統對房地產價格之影響研究－以高雄大都會區為例，國立成功大學，都市計劃學系碩博士班，碩士論文。 [30] 李怡婷，大眾運輸導向發展策略對捷運站區房地產價格之影響分析，國立成功大學，都市計劃學系碩博士班，碩士論文。 [31] 李春長、游淑滿、張維倫，公共設施、環境品質與不動產景氣對住宅價格影響之研究兼論不動產景氣之調節效果，住宅學報，第21卷，第1期，67-87頁。 [32] 沈香吟，空間統計應用於不動產估價之研究，碩士論文，中國文化大學，巿政暨環境規劃學系，碩士論文。 [33] 陳俊宏，結合空間資訊與類神經的自動估價模型之研究，世新大學，資訊管理學研究所，碩士論文。 論文使用權限 同意紙本無償授權給館內讀者為學術之目的重製使用，於2014-07-21公開。同意授權瀏覽/列印電子全文服務，於2014-07-21起公開。

 若您有任何疑問，請與我們聯絡！圖書館： 請來電 (02)2621-5656 轉 2487 或 來信