TW201710980A

TW201710980A - 不動產估價方法

Info

Publication number: TW201710980A
Application number: TW104129118A
Authority: TW
Inventors: 李智偉
Original assignee: 李智偉
Priority date: 2015-09-03
Filing date: 2015-09-03
Publication date: 2017-03-16

Abstract

過去不動產大量估價模型因模型結構的關係，使得模型估價精度不達實務運用的要求，而在條件式殘差擬合變數的修正下，大量估價模型之精度得以大幅提升，同時可透過條件式殘差擬合變數延伸出相關不動產運作系統，例如網路估價平台、估價報告書產製系統或未來作為實價登錄查核系統，有關於不動產估價的系統都可以因該變數而有效改善其估價能力。

Description

不動產估價方法

本發明係有關於一種不動產估價方法及其電腦程式產品，特別是關於一種包含條件式殘差擬合變數之不動產估價方法及其電腦程式產品。

不動產因異質性、寡占性、昂貴性及不可移動性，其價格評估之過程與市面上的商品不同，需倚賴專業之不動產估價師進行鑑價。估價師於估價時須考量影響不動產價格之一般因素、區域因素後，再針對不動產之個別因素進行價格之修正，進而給予價格之判斷。建物之特徵為其中主要影響價格之個別因素，估價師需考量各特徵對整體不動產之貢獻程度進而給予價格修正。

不動產之價格由其屋齡、樓層、面積、臨路狀況、建材等級、管理維護...等特徵所組成，可藉由特徵價格模型拆解不動產價格分析消費者對各特徵願付之邊際價格，以了解各特徵對價格之貢獻程度，進而依此特徵價格模型推估其他不動產之價格。特徵價格模型可視需要選擇適當之變數，從而分析某種現象或某種特徵對價格之影響程度，且通常限定所分析之地區以避免過多區位因素對價格之干擾，影響特徵變數之穩定及顯著性。特徵價格模型具有上述之優點，而隨著電腦技術之發展，特徵價格模型開始被應用於不動產大量估價上，以樣本之實際成交價格及其特徵，透過最小平方法(ordinary least squares；OLS)建立特徵模型並萃取各特徵變數之係數值後，進行其他不動產價格之推估。

不動產之價值主要來自土地區位及建物特徵兩者之貢獻，其中區位對不動產價格之影響甚鉅。以特徵價格模型進行大量估價時，對於建物特徵之衡量較為容易，但區位對價格之影響則較難掌握。傳統特徵價格模型係以行政區為區位變數，從而控制區位對價值之影響，其基本模型可表示為(以下簡稱Model 1)：其中：Ln(P _i)為第i個樣本實際每坪成交單價之自然對數；α₀為截距項；β_j為第j個特徵連續變數係數值；X_ji為第i個樣本第j個建物特徵連續變數；β_k為第k個特徵虛擬變數係數值；D_ki為第i個樣本第k個建物特徵虛擬變數；β _l為第l個行政區之區位價值係數；Dist _li為第i個樣本第l個行政區區位虛擬變數；以及ε_i為第i個樣本之殘差項。

然而，不同區域因為發展特性不同，主要影響不動產價格的因素也不同，特徵價格函數中以特定變數控制區位因素對價格之影響，可能無法精準預估不動產價格，而無法以單一模型對全區域進行大量估價。換言之，由於尚有更多無法掌握的外部因素正同時地影響不動產價格，甚且各個區位變數對價格的影響程度會因不同地區而改變，區位虛擬變數無法完整地解釋區位對價格的影響。

針對先前技術存在之缺點，本發明以「條件式殘差擬合變數」(或簡稱「CRF變數」)改良傳統特徵價格模型之不動產估價方法。

在迴歸分析中，殘差代表無法被迴歸模型解釋的部分。若迴歸模型僅有建物特徵變數，則在模型估計之結果中，樣本之殘差即可被解釋為樣本區位之價值。在本發明中，待測不動產之CRF變數係擬合附近周圍與待測不動產特徵相近之已成交不動產樣本的殘差，亦即CRF變數除了作為推估待測不動產之區位價值變數外，建立在空間相依概念下也可視為推估待測不動產於迴歸模型中可能之殘差值，試算待測不動產其他建物變數值轉而回推待測不動產可能之成交價格，此即為本發明之CRF變數得以提升模型精度的核心概念。

因此，本發明所提出之包含CRF變數之修正模型可表示為(以下簡稱Model 2)：其中：Ln(P _i)為第i個樣本實際每坪成交單價之自然對數；α₀為截距項；β_j為第j個特徵連續變數係數值； X_ji為第i個樣本第j個建物特徵連續變數；β_k為第k個特徵虛擬變數係數值；D_ki為第i個樣本第k個建物特徵虛擬變數；β _l為CRF變數對價格影響之係數值；CRF_i為第i個樣本之CRF變數值；以及ε_i為第i個樣本之殘差項。

基於上述之說明，本發明之一態樣為一種不動產估價方法，其藉由至少一電腦執行以下之步驟：(1-1)提供複數樣本不動產之交易資料及殘差值，該等樣本不動產之交易資料包含每一該等樣本不動產的位置、對應複數建物特徵變數之值、及對應交易單價之值，該等殘差值係基於一迴歸模型進行迴歸分析所預先得到之對應每一該等樣本不動產之殘差項之值，該迴歸模型之自變數包含該等建物特徵變數，且該迴歸模型之依變數包含該交易單價；(1-2)取得一待測不動產之位置及對應該等建物特徵變數之值；(1-3)在該等樣本不動產中，篩選與該待測不動產之距離在一選定距離內之鄰近樣本不動產；(1-4)計算每一該等鄰近樣本不動產之差異指數，每一該等差異指數表示對應之該鄰近樣本不動產與該待測不動產關於該等建物特徵變數之相似程度；(1-5)在該等鄰近樣本不動產中，篩選其差異指數符合一選定條件之擬合用樣本不動產；(1-6)藉由該等擬合用樣本不動產之殘差值，計算該待測不動產之條件式殘差擬合變數；以及(1-7)將該待測不動產之對應該等建物特徵變數之值以及現在時間對應該交易時間之值代入該迴歸模型，並將該條件式殘差擬合變數代入該迴歸模型作為對應殘差項之值，以估計該待測不動產之交易單價。

本發明之另一態樣為一種不動產估價方法，其藉由一電腦執行以下之步驟：(2-1)取得一待測不動產之位置、型態及對應複數建物特徵變數之值；(2-2)取得與該待測不動產相同型態並符合一關聯條件之複數樣本不動產之交易資料，該等樣本不動產之交易資料包含每一該等樣本不動產的位置、對應該等建物特徵變數之值、及對應交易單價之值，其中該關聯條件包含與該待測不動產位於相同之行政區域或與該待測不動產之距離在一預設距離內；(2-3)對該等樣本不動產之交易資料基於一迴歸模型進行迴歸分析，以獲得每一該等樣本不動產對應該迴歸模型之殘差項之值，其中該迴歸模型之自變數包含該等建物特徵變數，且該迴歸模型之依變數包含該交易單價；(2-4)在該等樣本不動產中，篩選與該待測不動產之距離在一選定距離內之鄰近樣本不動產；(2-5)計算每一該等鄰近樣本不動產之差異指數，每一該等差異指數表示對應之該鄰近樣本不動產與該待測不動產關於該等建物特徵變數之相似程度；(2-6)在該等鄰近樣本不動產中，篩選其差異指數符合一選定條件之擬合用樣本不動產；(2-7)藉由該等擬合用樣本不動產之殘差值，計算該待測不動產之條件式殘差擬合變數；以及(2-8)將該待測不動產之對應該等建物特徵變數之值以及現在時間對應該交易時間之值代入該迴歸模型，並將該條件式殘差擬合變數代入該迴歸模型作為殘差項，以估計該待測不動產之交易單價。

上述二種態樣的差異在於樣本不動產的資料處理。步驟(1-1)相當於已預先將滿足一特定條件(例如位於同一行政區且屬同一型態)之樣本不動產的資料進行迴歸分析並計算出殘差值，以用於估計在該特定範圍內之待測不動產的價格；換言之，在預先建立樣本不動產之資料庫並儲存迴歸分析之結果後，估計同一行政區且同一型態之待測不動產的價格時便無需再次進行迴歸分析。相對地，步驟(2-1)至(2-3)則是先給定一待測不動產，再取得適當之複數樣本不動產資料(例如與該待測不動產相同型態且位於同一行政區域內)，然後對該等樣本不動產資料進行迴歸分析；換言之，每次估計一待測不動產之價格時，均需取得適當之樣本不動產的交易資料並對該等交易資料進行迴歸分析。

此外，本發明之又一態樣為一種電腦程式產品，當電腦載入該電腦程式並執行後，可完成本發明所提出之不動產估價方法。

本發明提出的技術手段，將有效地改善傳統估價模型之缺點並提升模型之精準度，除了可作為例如不動產之估價輔助系統外，也可以作為例如實價登錄資料篩選抑或是未來房地合一實價課稅查驗價格之工具，以解決政府無法有效掌握個別房地產合理市價之問題。基於上述之發明意旨，本發明之具體實施方式將詳述於後。

圖式第1圖為根據本發明之一實施方式之流程示意圖；圖式第2圖為根據本發明之另一實施方式之流程示意圖。

依據前述之發明內容，以下配合圖式說明本發明具體實施方式之例示。

本發明之一實施例為一種不動產估價方法，其流程示意圖如圖式第1圖所示。首先取得適當的樣本不動產之交易資料，其中包含每一該等樣本不動產的位置、對應複數建物特徵變數之值、及對應交易單價之值(步驟S01)，其來源例如政府公布之不動產交易實價登錄資料。若採用政府公布之不動產交易實價登錄資料，建物特徵變數會包含以下所列之部分或全部：面積、屋齡、移轉層次、總樓層數、房間數、建材、是否臨主要道路、及是否有管理組織。其次，將該等樣本不動產之交易資料基於一迴歸模型進行迴歸分析，以求得對應每一該等樣本不動產之殘差項之值(步驟S02)，在該迴歸模型中，自變數包含該等建物特徵變數，而依變數則包含該交易單價。交易單價係指建物單位面積(例如每坪或每平方公尺)之價格。

然後，取得一待測不動產之位置及對應該等建物特徵變數之值(步驟S11)，更具體之實現方式例如：(1)接收一使用者在本機或透過網路所輸入之該待測不動產之地址及對應該等建物特徵變數之值；(2)接收一使用者所輸入之該待測不動產之地址，並依據該待測不動產之地址，存取一地政資料庫以取得該待測不動產之對應該等建物特徵變數之值；(3)接收一行動裝置所傳送之位置資訊，並依據該位置資訊，存取一地政資料庫以取得該待測不動產之對應該等建物特徵變數之值。其中，行動裝置可使用例如但不限於衛星定位技術、行動通訊基地台定位技術、或無線(WiFi)基地台定位技術。因此，本發明之實施可能包含地址與GPS座標之相互轉換及GPS座標之間距離的計算等，其等均屬此技術領域中具有通常知識者所能輕易完成之習知技術。

取得待測不動產之位置後，便可依據該位置篩選與其距離在一選定距離內之鄰近樣本不動產(步驟S12)，該選定距離可以例如為100公尺。然後，計算每一該等鄰近樣本不動產之差異指數，每一該等差異指數表示對應之該鄰近樣本不動產與該待測不動產關於該等建物特徵變數之相似程度(步驟S13)。例如，第i個鄰近樣本不動產的差異指數可以藉由下式計算之：其中β _j為該迴歸模型中對應第j個建物特徵變數之係數、X_j為該待測不動產對應第j個建物特徵變數之值，S_ij為第i筆鄰近樣本不動產對應第j個建物特徵變數之值。換言之，差異指數之值即為待測不動產與鄰近樣本不動產的差異量化值，此值越低代表兩者建物特徵越近，在一定距離範圍內替代性則越高。可以理解的是，差異指數之計算並不以〔式I〕為限，例如其中的β _j、X_j、S_ij亦有可能使用其平方項取代之。

計算出該等鄰近樣本不動產之差異指數後，依據一選定條件篩選出差異指數符合該選定條件之擬合用樣本不動產(步驟S14)。在具體的實現方式中，此處可配合步驟S12，以距離為條件、CI值為挑選準則，採多重門檻的方式進行擬合用樣本不動產之挑選。本實施例中參考估價技術規則第二十七條之規定選擇三件擬合用樣本不動產，惟此數量僅是一種例示。本實施例之挑選樣本流程可分述如下：(1)計算待測不動產半徑100公尺內所有鄰近樣本不動產之CI值，計算完成後在CI值小於0.3的鄰近樣本不動產中挑選數值最小的三者，作為CRF變數之擬合用樣本不動產；(2)若依據(1)之條件無法得到三筆鄰近樣本不動產的交易資料時，則將搜尋範圍擴大至500公尺，在CI值小於0.2的鄰近樣本不動產中挑選數值最小的三者，作為 CRF變數之擬合用樣本不動產；若(2)之篩選條件仍無法被滿足，則以待測不動產半徑100公尺內CI值最小之三者作為CRF變數之擬合用樣本不動產；(4)若依據(3)之條件仍無法獲得三筆鄰近樣本不動產時，則直接以最鄰近之三個樣本樣本不動產進行變數擬合。可以理解的是，以上所述之具體選定距離與選定條件僅為例示，此技術領域中具有通常知識者當可自行依據不同情境及需求加以變化。

篩選出擬合用樣本不動產之後，即可藉由該等擬合用樣本不動產之殘差值，計算該待測不動產之條件式殘差擬合變數(步驟S15)。例如，可選擇擬合用樣本不動產與待測樣本之距離反比做為權重，計算出待測樣本不動產之條件式殘差擬合變數。換言之，距離待測樣本不動產越近之擬合用樣本不動產，在反比的計算下殘差值的權重越高，亦即該條件式殘差擬合變數CRF(X _i )可使用下列之方程式計算之：其中為第i筆擬合用樣本不動產與該待測不動產之直線距離之倒數、ε(SS _i)為第i筆擬合用樣本不動產之殘差值。可以理解的是，〔式II〕僅為一種例示，待測樣本不動產之條件式殘差擬合變數亦可能使用其他的計算方式，例如距離之權重可使用其平方之反比，或是不納入距離作為權重(例如當樣本不動產數量夠大且空間上足夠密集時，即有可能忽略距離之影響)等等。

最後，將該待測不動產之對應該等建物特徵變數之值代入該迴歸模型，並將該條件式殘差擬合變數代入該迴歸模型作為對應殘差項之值，以估計該待測不動產之交易單價。例如，可藉由以下方程式計算之：其中，Ln(P _i)為該待測不動產之預估交易單價之自然對數，可將之換算為該待測不動產之預估交易總價，α₀為截距項、β_j為第j個建物特徵變數之係數值(α₀與β_j均在步驟S02中求得)，CRF_i則是待測不動產之條件式殘差擬合變數(在步驟S15中求得)。可以理解的是，〔式III〕僅為一例示，本發明之不動產估價方法所使用的迴歸模型並不以此為限。

在圖式第1圖中，步驟S01係取得位於某一區域(例如行政上所劃分的區域)內之某一型態(例如公寓)的樣本不動產之交易資料，經過步驟S02之迴歸分析後，可得出迴歸模型中的各係數以及對應每一樣本不動產之殘差項之值。因此，若將迴歸分析的結果儲存於資料庫中，對於坐落同一區域且屬於同一型態之待測不動產，步驟S01與S02均無須再次執行。不同建物型態屬於不同不動產次市場，且影響價格之因素不盡相同，又特徵價格模型係以OLS作為各係數計算之方式，若將三種型態不動產混和一起評估將導致變數係數相互受到牽制。為提升大量估價精度並釐清各種建物型態影響價格之變數，本實施例將樣本不動產區分三大型態，以分層估價的方式避免不同建物型態不同變數間之干擾，進而提升整體樣本之估價精度。另，樣本不動產之交易資料中可進一步包含對應交易時間之值，並進一步將該交易時間納入該迴歸模型之自變數，因此在估計該待測不動產之交易單價時(例如〔式III〕)亦進一步將現在時間對應該交易時間之值代入該迴歸模型中，可反映例如景氣因素對不動產交易之影響。惟交易時間並非迴歸模型中之必要變數，例如可在步驟S01中增加交易時間作為選取樣本不動產之條件，亦即僅選取一指定時間內(例如一年內、三個月內或一個月內，可能受限於於樣本不動產之數量)交易之樣本不動產，而在迴歸模型中忽略交易時間的影響。

本發明之另一實施例為一種不動產估價方法，可執行於一電腦，其流程示意圖如圖式第2圖所示。首先取得一待測不動產之位置、型態(例如公寓、華厦或住宅大樓)及對應複數建物特徵變數之值(步驟S21)，取得之方式可參考例如前述關於步驟S11之具體實現方式。其次，取得與該待測不動產相同型態並符合一關聯條件之複數樣本不動產之交易資料，該等樣本不動產之交易資料包含每一該等樣本不動產的位置、對應該等建物特徵變數之值、及對應交易單價之值，其中該關聯條件包含與該待測不動產位於相同之行政區域或與該待測不動產之距離在一預設距離內(步驟S22)。然後，對該等樣本不動產之交易資料基於一迴歸模型進行迴歸分析，以獲得每一該等樣本不動產對應該迴歸模型之殘差項之值，其中該迴歸模型之自變數包含該等建物特徵變數，且該迴歸模型之依變數包含該交易單價(步驟S23)。

本實施例與前一實施例(參照圖式第1圖)之主要差異在於樣本不動產之資料處理。具體言之，前一實施例係將特定條件(例如位於同一行政區域且相同型態)之樣本不動產的交易資料預先進行迴歸分析並儲存於資料庫，例如可將台北市公寓、台北市住宅大樓、新北市公寓、新北市住宅大樓之樣本不動產分別進行迴歸分析並儲存於不同之資料庫。當街收到一待測不動產之資料時，即可依據其位置及型態選擇對應之資料庫 (包含迴歸模型中之係數及各樣本不動產之殘差項之值)，進行後續之步驟以預估價格。相對地，本實施例(參照圖式第2圖)並未預先進行樣本不動產之迴歸分析，而是在接收到待測不動產之資料後，再選擇與待測不動產位於相同區域(例如位於相同行政區或是在特定距離範圍內)之樣本不動產，然後即時進行迴歸分析，以獲得迴歸模型中之係數及各樣本不動產之殘差項之值。因此，本實施例可不預先儲存任何資料，亦可在篩選樣本不動產之關聯條件中增加額外的條件(例如交易時間)以縮小樣本不動產之範圍。

由於本實施例與前一實施例之主要差異在於樣本不動產之資料處理，故圖式第2圖中的步驟S24至S28與第1圖中的S12至S16的基本概念相同，請參考前述關於步驟S12至S16之說明。同樣地，該等說明之內容亦僅為本實施例之例示，此領域中具有通常知識者自得依據不同情境與需求在本發明之概念下自行加以變化。

為了更具體地呈現本發明之實施方式以及無法預期之功效，以下將說明本發明之又一實施例，其中採用真實的不動產交易資料，藉由命中率(Hit-rate)及絕對誤差平均值(MAPE)比較本發明(以Model 2為基礎)與傳統特徵價格模型(以Model 1為基礎)之預估能力，並測試本發明之不動產估價方法的次市場侷限性。

〔預估能力指標〕

對於模型之價格預估能力，本實施例中以絕對誤差平均值及命中率兩種指標作為判斷依據，其指標之內涵及意義先予說明如下。

(一)絕對誤差平均值(Mean Absolute Percentage Error, MAPE)：大量估價模型之預估能力愈高，則預估價格與實際成交價格之差值越小。絕對誤差平均值為評估模型精準度之指標，其優點在於將模型高估與低估之差值以絕對值處理，可作為模型對總體實驗樣本偏估狀況之評估。絕對誤差平均值越低，代表該模型之估價精準度越高，其計算公式如下：其中n為樣本數量，EP _i為第i個樣本之模型預估價格，而AP _i為第i個樣本之實際成交價格。

(二)命中率(Hit rate)：大量估價模型之命中率越高，代表模型預估之價格接近實際成交價格的機率越高。本實施例計算命中率之誤差範圍採±1%、±3%、±5%、±10%、±20%共五個等級，誤差範圍越小代表模型預估價格與實際成交價格越接近，而誤差範圍較小之命中率若是越高，則代表模型精準預估價格能力越高，其計算公式如下：其中Hit Rate(α)為容忍誤差範圍為±α之命中率，為命中次數，而N為模外樣本總數量。

〔資料說明與處理〕一、資料來源

本實施例選用內政部實價登錄之交易資訊，並將範圍鎖定在台北市各行政區，台北市原始成交樣本共73,461筆(累計至民國104年1月30 日為止)，經過資料處理及篩選後保留13,111筆作為樣本不動產。此外，本實施例之空間資料採用實價登錄提供之TWD97精確座標，而非去識別化之區段地址資料。

二、樣本篩選

樣本資訊正確性直接影響估計結果的準確性，本實施例中包含縝密的資料篩選過程，將資料不齊或是不符合條件之樣本予以排除，保留健康及合適的交易樣本作為樣本不動產，其篩選條件如下：

(1)時間篩選

實價登錄於民國101年8月上路，先期登錄制度仍屬混亂，考量價格日期之連續性及完整性之問題，鎖定交易日期為102年1月至104年1月之實價登錄交易資訊，其他交易日期的樣本則予以排除。

(2)屋齡篩選

不動產建物價值隨著時間的推移受到物理性、功能性或是經濟性折舊之影響而導致價值之減損，本實施例排除因登錄不完整或是資訊缺乏而無法計算屋齡之樣本；另外，屋齡小於1之標的可能為預售不動產產品，也將之排除。

(3)交易標的篩選

本實施例將試驗CRF變數對於提升大量估價系統精度之成效，故僅保留交易標的為「房屋+土地」及「房屋+土地+車位」之交易樣本，以維持模內樣本資料之一致性。

(4)建物型態篩選

不動產建物型態多樣，不同地區有不同的主力類型。台北市因地狹人稠，主要以公寓、華廈及住宅大樓為大多數，故本實施例僅鎖定上述三者作為樣本不動產。

(5)主要用途篩選

本發明係以比較法之概念建立大量估價模型，其樣本間之替代性為重要估價因素。故本實施例於樣本篩選時，僅保留主要用途為「住家用」與「住商用」兩種型態之樣本不動產。

(6)樓層篩選

成交樓層若是位於一樓，其成交單價可能因樓層可及性或法定空地使用便利性等因素，導致價格與其他樓層產生顯著差異；此外，位於一樓之交易樣本若具有合法商業使用性，則該標的即屬於一樓店面次市場，飛屬本實施例之分析範圍。另一方面，若移轉標的超過一個層樓或包含地下層者，總價與單價之關係會與市場價格關係有所差異。由於本實施係關於住宅用不動產之大量估價，故排除位於一樓之交易案以及交易標的超過一層樓或包含地下層者，以維持價格之穩定性。

(7)車位資料篩選

實價登錄資料對於車位之登記，除了車位屬獨立產權者要求強制登記面積外，其餘交易含車位者皆採開放登記制，價格及面積可不登記，僅需要勾選總價含車位之欄位即可。在此登記制度下，部分之交易資料無法完全拆分歸屬於車位之面積與價格，為了控制車位與區分建物單價純粹性，本實施例將未登錄車位面積或車位成交價格的交易案予以排除，僅保留可完整拆算建物單價之樣本不動產。

(8)面積篩選

不動產物權於登記上得以共有方式為之，各共有人得自由處分其應有部分。共有物部分權利移轉可能牽涉到法拍、合併或其他可屬於不動產估價技術規則第二十三條之特殊交易情形，惟此等交易無法於備註欄辨別。為確保交易之純粹性，本實施例排除可能為共有物部分權利移轉之標的，以移轉面積3坪為過濾門檻，排除面積過小恐為共有部分權利移轉之交易樣本。

(9)房間數篩選

不動產所有權人為提高不動產之收益能力，可能透過違建加工方式將室內格成數間出租套房，而此標的於移轉處分時也因收益能力高而有較高的處分價格。此等交易於租屋市場相對活絡的台北市並不少見，而該非法產品顯然已違反建築相關法規之規範，且價格關係也脫離一般相同等級之不動產，故本實施例將房間數量超過6間之交易樣本予以排除。

(10)特殊交易篩選

不動產估價技術規則第二十二條規範估價師於選擇比較標的時應注意比較標的之交易情況，若有不動產估價技術規則第二十三條任一項情形應先作適當之調整；若該影響交易價格之情況無法有效掌握及量化調整時，應不予採用。實價登錄成交資訊之備註欄事項提供資料使用者相關之判斷資訊，本實施例為確保樣本價格符合估價技術規則第2條對於正常價格之定義，將樣本可能牽涉到估價技術規則第二十三條之交易情形樣本予以排除。

三、變數建立與處理

不動產除本身之異質性外，不動產建物型態致使不動產次市場間存在價格落差，其替代性為主要因素。本實施例之資料來源為內政部實價登錄成交資訊，其提供相當充足之成交內容及不動產特徵變數，經整理後取得下述變數，作為建立模型之用；其中，考量不同建物型態存在不同的影響價格因素，故分別建立公寓、華廈及住宅大樓等不同次市場之特徵價格模型，三條模型由不同變數組成，以提升大量模型之價格預估能力，各變數說明如下：

(一)依變數：本實施例之樣本不動產為台北市公寓、華廈與住宅大樓等不動產，其不動產總價之計算係以建坪單價乘以建物面積後加計車位單價。故於大量估價模型依變數之選擇，此處以扣除車位總面積及車位總價計算後之淨建坪單價取自然對數為模型之依變數，以符合市場交易習慣，也可避免因選擇總價自然對數導致自變數中面積對總價之過度解釋。另外，車位價格評估並非本實施例之範疇，故僅於不動產總價及面積部分做處理後取得純粹不動產單價，而不獨立評估車位價格。

(二)自變數：

(1)面積(坪)

以原始資料「建物移轉總面積(平方公尺)」扣除「車位移轉總面積(平方公尺)」後乘以0.3025取得各樣本不動產「扣除車位後面積(坪)」變數。

(2)時間變數

本實施例選擇之交易時間範圍為102年1月至104年1月，故於變數處理時將樣本不動產分為「102年上半年」、「102年下半年」、「103年上半年」與「103年下半年」四個時間段落，以時間虛擬變數進行不動產市場景氣對價格之控制，其中因104年1月樣本不動產僅10筆，故將104年1月之樣本不動產歸屬於「103年下半年」。

(3)屋齡

實價登錄資料並未直接提供成交時不動產之屋齡，本實施例透過樣本不動產原始資料「交易年月」扣除「建築完成年月」後無條件進位取得各樣本不動產交易時之屋齡變數。

(4)移轉層次

由各樣本不動產原始資料「移轉層次」經過轉換整理後取得。

(5)總樓層數

由各樣本不動產原始資料「總樓層數」經過轉換整理後取得。

(6)臨路變數

同一近鄰地區之不動產會因為臨路條件不同而有價格落差，本實施例中設立臨路虛擬變數，就實價登錄資料中位於主要道路之交易案給予虛擬變數1，反之為0。

(7)房間數

由各樣本不動產原始資料「建物現況格局-房」經過轉換整理後取得。

(8)建材變數

建材種類多樣，不同等級建材直接影響不動產買賣售價。本實施例將建材分為三個等級，即RB、RC與SRC+SC，以建材虛擬變數控制建材對單價之影響。當中，RB包含「磚造」與「加強磚造」，RC包含「鋼筋混凝土造」、「見其他登記事項」與「見使用執照」，SRC/SC包含「鋼骨鋼筋混凝土造」與「鋼骨混凝土造」。

(9)管理變數

不動產規劃設計影響其預售之銷售狀態，而不動產後續之營運管理則是不動產價值維持之重要關鍵。故本實施例在控制影響價格之變數時，考量不動產有無管理組織對價格之影響，設立管理組織虛擬變數，有管理組織為1，反之為0。

(10)CRF變數

CRF變數於本實施例中係作為區位條件之控制變數，其以附近數筆建物特徵相似之模型內樣本之殘差，輔以距離反比權重推估模型外樣本之殘差值，進行區位條件之推估。

本實施例中所使用之變數以及整體變數之屬性性質與預期符號整理如〔表1〕所示。

〔模型預估能力比較〕

以下將比較傳統特徵價格模型與CRF修正模型兩者之價格預估能力。為了更符合估價次市場邏輯，此處將樣本不動產(如前所述，102年1月至104年1月登錄之台北市交易樣本經篩選後共13,111筆)依建築型態分別建立公寓、華廈及住宅大樓三條模型進行價格預估。

考量公寓、華廈與住宅大樓其價格係受到不同因素之影響，三種建物型態進行迴歸之自變數稍有差異。在本實施例之樣本不動產中，公寓總樓層數大多為4~6層，且理論上總樓高與各樓層價格無直接影響，故不放置總樓層數變數，而華廈、住宅大樓則放置總樓層數變數以控制社區量體對價格之影響；另外，公寓樣本約93.2%為RC建材、6.7%為RB建材，當中兩者價格關係差異不明顯，因此公寓不放置建材變數，而華廈、住宅大樓則放置SRC、SC虛擬變數，以衡量高等建材對價格之影響；管理變數方面，由於公寓類型不動產僅不到一成之交易案件係具有管理組織維護，且對於價格關係不顯著，故公寓之模型不放置管理變數，華廈及住宅大樓則放置管理變數突顯維護對價值之影響；此外，CRF修正模型(Model 2)不放置屋齡平方項，將區位增值潛力歸屬於殘差項，以符合CRF變數之區位意涵。

〔表2〕為Model 1與Model 2之迴歸分析結果，就調整後判定係數分析兩模型之配適度，CRF修正模型(Model 2)之迴歸配適度分別為公寓0.73、華廈0.8及住宅大樓0.85，明顯優於傳統特徵價格模型(Model 1)之公寓0.49、華廈0.66及住宅大樓0.65，且僅CRF修正模型符合不動產估價技術規則第二十條對於計量模型估價法判定係數之規定，得做為價格評估之估價模型，傳統特徵價格模型則不達法規要求。

〔表3〕為兩種模型預估能力之整體表現，Model 2之絕對誤差平均值為10.4，小於Model 1之16.0%，顯示CRF修正模型於價格預估時有較小的誤差；以命中率分析兩種模型之估價精度，Model 2各等級精度命中率皆高於Model 1，Model 2誤差5%、10%及20%命中率為37.5%、62.3%與86%，相較之下Model 1僅20.5%、38.3%與67.4%，Model 2的價格預估精準能力明顯高Model 1。

〔表4〕顯示各類型不動產之預估能力，Model 2三種類型不動產預估能力皆比Model 1良好，而且CRF修正模型對於住宅大樓不動產之預估能力效果特別良好，整體絕對誤差絕對值僅8.5%，且誤差10%與20%之命中率也達69.9%與90.5%，預估能力相對優異。

CRF區位變數不僅提升大量估價模型之精度，由於CRF區位變數本身並非以次市場反應區位價值，沒有次市場區位虛擬變數對於經濟環境變遷並無法及時反應的情形，從而擺脫次市場界線無彈性之問題。此外，傳統以大量估價模型進行大範圍估價時，因空間因素將導致模型產生估價無效率且具偏差性等問題。針對模型空間次市場侷限問題，以下將測試CRF變數是否能突破區域次市場之侷限性，以說明CRF修正模型實現大範圍不動產價格預估之能力，而改善過去特徵價格模型之缺失。

〔模型區域次市場侷限性測試〕

傳統特徵價格模型的分析樣本侷限在某一特定範圍，而本發明之CRF變數於估價模型中相對地不受到地域範圍之限制。以下將呈現不同估價範圍的命中率測試結果，將公寓、華廈及住宅大樓分別以行政區(例如：大安區、中正區...等)為範圍獨立估價，說明以行政區小區塊估價之結果並不會優於不分行政區而直接以全台北市為範圍之估價命中率結果。

如〔表5〕所示，由全域(全台北市)估價結果及分估(分區估計)後合併結果之命中率及絕對誤差平均值可發現，CRF修正模型並不受到區域之侷限性影響，其全域估價之絕對誤差平均值為10.19%，對比於以次市場分別預估合併結果之10.15%，並無太大差異，又以全域估價之各層次命中率皆與分估後合併之結果相差無幾，各層次誤差命中率之落差值都不超過1%，反而大範圍預估精度較小範圍估價結果佳，表示CRF變數成功突破傳統大量估價模型在大範圍估價之瓶頸。

不動產區位同時受到許多因素影響，包含鄰里環境及可及性因素等，將這些因素量化成為一個或多個變數而放入特徵價格模型進行分析實為難事，也因此傳統的特徵價格模型於大範圍地區進行大量估價時，會產生控制區位因素無效率而導致估值偏誤之問題。CRF修正模型係從空間角度評估不動產價格之模型，掌握區位價值之方式並非如傳統以劃分次市場的方式進行控制，而是以待測樣本周圍之類似樣本進行區位價值之衡量，也因此CRF模型改善了過去特徵價格模型之缺點。

區域間區位價值的細膩差異或是區域次市場界線發生變動，在過去以行政區或是與特定公共設施之距離作為區位變數的方式是無法及時反應的，而在CRF變數的空間概念下，一旦影響區域價值的因素發生變動，只要該區域有不動產交易行為，CRF變數便可以即時反應區位價值變動，突破以往大量估價模型之限制。

以上所述之各實施例僅為本發明具體實施方式之例示，並非窮盡列舉所有可能之變化。申請人主張之權利範圍如後述申請專利範圍所載，其中各請求項之文義及均等範圍均為本專利之權利範圍所涵蓋，前述發明說明或圖式之內容自不得作為解釋申請專利範圍之限制。

Claims

一種不動產估價方法，包含下列步驟：提供複數樣本不動產之交易資料及殘差值，該等樣本不動產之交易資料包含每一該等樣本不動產的位置、對應複數建物特徵變數之值、及對應交易單價之值，該等殘差值係基於一迴歸模型進行迴歸分析所預先得到之對應每一該等樣本不動產之殘差項之值，該迴歸模型之自變數包含該等建物特徵變數，且該迴歸模型之依變數包含該交易單價；取得一待測不動產之位置及對應該等建物特徵變數之值；在該等樣本不動產中，篩選與該待測不動產之距離在一選定距離內之鄰近樣本不動產；計算每一該等鄰近樣本不動產之差異指數，每一該等差異指數表示對應之該鄰近樣本不動產與該待測不動產關於該等建物特徵變數之相似程度；在該等鄰近樣本不動產中，篩選其差異指數符合一選定條件之擬合用樣本不動產；藉由該等擬合用樣本不動產之殘差值，計算該待測不動產之條件式殘差擬合變數；以及將該待測不動產之對應該等建物特徵變數之值代入該迴歸模型，並將該條件式殘差擬合變數代入該迴歸模型作為對應殘差項之值，以估計該待測不動產之交易單價。
一種不動產估價方法，係執行於一電腦，包含下列步驟：取得一待測不動產之位置、型態及對應複數建物特徵變數之值；取得與該待測不動產相同型態並符合一關聯條件之複數樣本不動產之交易資料，該等樣本不動產之交易資料包含每一該等樣本不動產的位置、對應該等建物特徵變數之值、及對應交易單價之值，其中該關聯條件包含與該待測不動產位於相同之行政區域或與該待測不動產之距離在一預設距離內；對該等樣本不動產之交易資料基於一迴歸模型進行迴歸分析，以獲得每一該等樣本不動產對應該迴歸模型之殘差項之值，其中該迴歸模型之自變數包含該等建物特徵變數，且該迴歸模型之依變數包含該交易單價；在該等樣本不動產中，篩選與該待測不動產之距離在一選定距離內之鄰近樣本不動產；計算每一該等鄰近樣本不動產之差異指數，每一該等差異指數表示對應之該鄰近樣本不動產與該待測不動產關於該等建物特徵變數之相似程度；在該等鄰近樣本不動產中，篩選其差異指數符合一選定條件之擬合用樣本不動產；藉由該等擬合用樣本不動產之殘差值，計算該待測不動產之條件式殘差擬合變數；以及將該待測不動產之對應該等建物特徵變數之值代入該迴歸模型，並將該條件式殘差擬合變數代入該迴歸模型作為殘差項，以估計該待測不動產之交易單價。
如申請專利範圍第1或2項之不動產估價方法，其中：該等樣本不動產之交易資料進一步包含每一該等樣本不動產之對應交易時間之值；該迴歸模型之自變數進一步包含該交易時間；以及在估計該待測不動產之交易單價時進一步將現在時間對應該交易時間之值代入該迴歸模型。
如申請專利範圍第1或2項之不動產估價方法，其中該等建物特徵變數係選自以下變數之部分或全部：面積、屋齡、移轉層次、總樓層數、房間數、建材、是否臨主要道路、及是否有管理組織。
如申請專利範圍第1或2項之不動產估價方法，其中該迴歸模型包含：每一該等建物特徵變數之一次項；至少一該等建物特徵變數之二次項；以及該交易單價之自然對數項。
如申請專利範圍第1或2項之不動產估價方法，其中係依據以下公式計算該等差異指數：其中CI(S _i)為第i筆鄰近樣本不動產之差異指數、β _j為該迴歸模型中對應第j個建物特徵變數之係數、X_j為該待測不動產對應第j個建物特徵變數之值，S_ij為第i筆鄰近樣本不動產對應第j個建物特徵變數之值。
如申請專利範圍第1或2項之不動產估價方法，其中該選定距離為100公尺且該選定條件為該差異指數小於0.3之鄰近不動產中差異指數最小的三筆。
如申請專利範圍第7項之不動產估價方法，其中：當該選定距離為100公尺且該選定條件為該差異指數小於0.3之鄰近不動產不足三筆時，重設該選定距離為500公尺且該選定條件為該差異指數小於0.2之鄰近不動產中差異指數最小的三筆；當該選定距離為500公尺且該選定條件為該差異指數小於0.2之鄰近不動產不足三筆時，重設該選定距離為100公尺且該選定條件為鄰近不動產中差異指數最小的三筆；以及當該選定距離為100公尺時之鄰近不動產不足三筆時，選擇該複數不動產中與待測不動產距離最接近之三筆作為擬合用不動產。
如申請專利範圍第1或2項之不動產估價方法，其中該待測不動產之條件式殘差擬合變數係依據以下公式計算：其中CRF(X _i )為該待測不動產之條件式殘差擬合變數、為第i筆擬合用樣本不動產與該待測不動產之直線距離之倒數、ε(SS _i)為第i件擬合用樣本不動產之殘差值。
如申請專利範圍第1或2項之不動產估價方法，其中取得該待測不動產之位置及對應該複數建物特徵變數之值之步驟選自下列之至少一者：(1)接收一使用者所輸入之該待測不動產之地址及對應該等建物特徵變數之值；(2)接收一使用者所輸入之該待測不動產之地址，並依據該待測不動產之位置，存取一地政資料庫以取得該待測不動產之對應該等建物特徵變數之值；(3)接收一行動裝置所傳送之位置資訊，並依據該位置資訊，存取一地政資料庫以取得該待測不動產之對應該等建物特徵變數之值。