JP2021140212A

JP2021140212A - 不動産融資条件提案プログラム

Info

Publication number: JP2021140212A
Application number: JP2020034545A
Authority: JP
Inventors: 綾子澤田; Ayako Sawada
Original assignee: Assest Co Ltd
Current assignee: Assest Co Ltd
Priority date: 2020-02-29
Filing date: 2020-02-29
Publication date: 2021-09-16

Abstract

【課題】不動産の購入予定者に対する融資条件を提案する。【解決手段】不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、新たに融資条件を提案する購入予定者の最近の消費行動情報と、当該購入予定者が購入予定の不動産に関する不動産情報とを取得する情報取得ステップと、予め取得した過去の不動産の購入予定者の消費行動に関する参照用消費行動情報と、上記参照用財務情報を取得した購入予定者が購入予定の不動産に関する参照用不動産情報とを有する組み合わせと、当該購入予定者に対して提案された融資条件との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した消費行動情報に応じた参照用消費行動情報と取得した不動産情報に応じた参照用不動産情報とを有する組み合わせと、上記融資条件との３段階以上の連関度に基づき、融資条件を提案する提案ステップとをコンピュータに実行させることを特徴とする。【選択図】図１９

Description

本発明は、不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムに関する。

不動産の購入予定者に対して金融機関が融資を行う際には、銀行員が購入予定者の信用度を判定する。この信用度の判定は、その融資先の過去の決算書や業績等、様々な情報を勘案した上で行うことになる。しかしながら、判定しなければならない融資先の数が多い場合等には判定作業が遅れてしまう場合もあり、また判定作業の労力の負担を軽減する必要もあった。一方、この融資判定は、一企業にとって融資を受けられるか否かが死活問題になる場合もあることから、高い判定精度が求められる。従来において、このような融資判定を自動的かつ高精度に行ってくれるシステムは提案されていないのが現状であった。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、その融資先の信用度や融資条件等を自動的かつ高精度に判定することが可能な不動産融資条件提案プログラムを提供することにある。

上述した課題を解決するために、本発明に係る不動産融資条件提案プログラムは、不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、新たに融資条件を提案する購入予定者の最近の消費行動情報と、当該購入予定者が購入予定の不動産に関する不動産情報とを取得する情報取得ステップと、予め取得した過去の不動産の購入予定者の消費行動に関する参照用消費行動情報と、上記参照用財務情報を取得した購入予定者が購入予定の不動産に関する参照用不動産情報とを有する組み合わせと、当該購入予定者に対して提案された融資条件との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した消費行動情報に応じた参照用消費行動情報と取得した不動産情報に応じた参照用不動産情報とを有する組み合わせと、上記融資条件との３段階以上の連関度に基づき、融資条件を提案する提案ステップとをコンピュータに実行させることを特徴とする。

特段のスキルや経験が無くても、不動産の購入予定者に対して金融機関が融資を行うか否かを判別する上で、その融資先の信用度を自動的かつ高精度に判定することが可能となる。

本発明を適用したシステムの全体構成を示すブロック図である。探索装置の具体的な構成例を示す図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。

以下、本発明を適用した不動産融資条件提案プログラムについて、図面を参照しながら詳細に説明をする。

第１実施形態
図１は、本発明を適用した不動産融資条件提案プログラムが実装される不動産融資条件提案システム１の全体構成を示すブロック図である。不動産融資条件提案システム１は、情報取得部９と、情報取得部９に接続された探索装置２と、探索装置２に接続されたデータベース３とを備えている。

情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する探索装置２と一体化されていてもよい。情報取得部９は、検知した情報を探索装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、流量センサ、その他物質や物性を特定することが可能なセンサも含む。情報取得部９は、インターネット上のサイトに掲載されている文字列やデータを自動的に取り込んでくる手段で構成されていてもよい。

データベース３は、不動産融資条件提案を行う上で必要な様々な情報が蓄積される。株不動産融資条件提案を行う上で必要な情報としては、予め取得した過去の不動産の購入予定者の参照用財務情報、参照用財務情報を取得した購入予定者が購入予定の不動産に関する参照用不動産情報、参照用財務情報を取得した購入予定者の属性に関する参照用属性情報、参照用財務情報を取得した時期における参照用外部環境情報と、過去において購入予定者に対して提案された融資条件や、当該購入予定者に対して判断された融資の可否判断とのデータセットが記憶されている。

つまり、データベース３には、このような参照用財務情報に加え、参照用不動産情報、参照用属性情報、参照用外部環境情報の何れか１以上と、過去において判定された融資条件や、融資の可否判断とが互いに紐づけられて記憶されている。

探索装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この探索装置２による探索解を得ることができる。

図２は、探索装置２の具体的な構成例を示している。この探索装置２は、探索装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

制御部２４は、内部バス２１を介して制御信号を送信することにより、探索装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

推定部２７は、探索解を推定する。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

上述した構成からなる不動産融資条件提案システム１における動作について説明をする。

不動産融資条件提案システム１では、例えば図３に示すように、参照用財務情報と、参照用不動産情報との組み合わせが形成されていることが前提となる。参照用財務情報とは、過去の不動産の購入予定者の財務状態を示すあらゆる情報が含まれる。不動産購入予定者は、個人、法人の何れも含まれる。参照用財務情報の例としては、自営業者の確定申告書に記述された情報、法人の財務情報に記述された情報、個人の源泉徴収票（年収）に記述された情報、現状の資産を示す情報、保有する不動産に関する情報、保有する不動産に住み続けている年数等である。これに加えて、現状保有している現金の額、金融資産の額、債権の種類などもこの参照用財務情報に含めてもよい。これらの参照用財務情報としては、担保物件の状況や他の借り入れ状況等も含まれる。参照用財務情報は、例えば、源泉徴収票、給与明細書、確定申告書、住民税決定通知書、課税証明書等の記載を画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。また財務情報は、不動産購入予定者の実際の財務状態をベースとした実際の借入希望金額で表されるものであってもよい。

参照用不動産情報は、購入予定の不動産の将来性、収益性、立地、周囲の環境、築年数、空室リスク、家賃下落リスク等である。この参照用不動産情報は、購入予定の不動産の価格や当該価格に対する借入希望金額も含むようにしてもよい。また、参照用不動産情報は、空室リスクや家賃下落リスク等を数値化したもので構成されていてもよい。

参照用不動産情報における将来性、収益性は、投資用不動産融資であれば、物件の資産価値・担保評価、収益性、賃貸中のオーナーチェンジ物件であればその管理状況を示すものであってもよい。

参照用不動産情報は、不動産関連の書類（売買契約書（工事請求契約書など）、重要事項説明書、登記事項証明書（登記簿謄本）、明細地図、建築確認通知書、土地公図、土地の図面、分譲案内のパンフレットや価格表、土地使用承諾書（借地の場合）、土地賃貸借契約書（借地の場合）等から抽出することができる。これらの不動産関連の書類の記載を画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。

入力データとしては、このような参照用財務情報と、参照用不動産情報が並んでいる。このような入力データとしての、参照用財務情報に対して、参照用不動産情報が組み合わさったものが、図３に示す中間ノード６１である。各中間ノード６１は、更に出力に連結している。この出力においては、金融融資条件Ａ〜Ｅが表示されている。この金融融資条件は、それぞれ金融融資するあらゆる条件を示すものであり、最大貸出可能金額、利息、返済年数、担保の条件等が含まれる。また、この最大貸出可能金額については、あくまで借入希望金額との関係において出力されるものであってもよい。

参照用財務情報と、参照用不動産情報との各組み合わせ（中間ノード）は、この出力解としての、融資条件に対して３段階以上の連関度を通じて互いに連関しあっている。参照用財務情報と、参照用不動産情報がこの連関度を介して左側に配列し、融資条件Ａ、Ｂ、Ｃ、Ｄ、Ｅ、・・・が連関度を介して右側に配列している。連関度は、左側に配列された参照用財務情報と、参照用不動産情報に対して、何れの融資条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用財務情報と、参照用不動産情報が、いかなる融資条件に紐付けられる可能性が高いかを示す指標であり、各参照用財務情報と、参照用不動産情報から、融資先としての不動産の購入予定者にとって最も相応しい融資条件を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての融資条件と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての融資条件と互いに関連度合いが低いことを示している。

探索装置２は、このような図３に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で参照用財務情報と参照用不動産情報、並びにその場合の融資条件の何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用財務情報Ｐ０１で、参照用不動産情報Ｐ１６である場合に、その融資条件を過去のデータから分析する。Ａの事例が多い場合には、このＡにつながる連関度をより高く設定し、Ｂ」の事例が多く、Ａの事例が少ない場合には、Ｂにつながる連関度を高くし、Ａにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、融資条件ＡとＢの出力にリンクしているが、以前の事例から融資条件Ａにつながるｗ１３の連関度を７点に、融資条件Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図３に示す連関度の例で、ノード６１ｂは、参照用財務情報Ｐ０１に対して、参照用不動産情報Ｐ１４の組み合わせのノードであり、融資条件Ｃの連関度がｗ１５、融資条件Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用財務情報Ｐ０２に対して、参照用不動産情報Ｐ１５、Ｐ１７の組み合わせのノードであり、融資条件Ｂの連関度がｗ１７、融資条件Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから融資条件提案のための探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに融資条件の提案を行う個人又は法人から最近の財務情報に加え、購入予定の不動産に関する不動産情報を取得する。融資条件の提案を行う個人又は法人は、これから不動産の購入を予定している者であるが、既に不動産を購入し、その残額の支払いをしようとする法人や個人もこれに含まれる。このような財務情報に加え、購入予定者が購入予定の不動産情報の取得方法は、上述した参照用財務情報、参照用不動産情報と同様である。

このようにして新たに取得した財務情報、不動産情報に基づいて、最適な融資条件を探索する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した財務情報がＰ０２と同一かこれに類似するものである場合であって、不動産情報がＰ１７と同一かこれに類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、融資条件Ｃがｗ１９、融資条件Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い融資条件Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる融資条件Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また、入力から伸びている連関度ｗ１〜ｗ１２の例を以下の表２に示す。

この入力から伸びている連関度ｗ１〜ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１〜ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１〜ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

なお、上述した連関度を介した判断を行う上では、参照用不動産情報として、参照用財務情報を取得した購入予定者が購入予定の不動産の将来性、収益性、立地、周囲の環境、築年数、空室リスク、家賃下落リスクの何れか１以上を指標化したもの含めてもよい。かかる場合には、取得する不動産情報についても同様に、新たな購入予定者が購入予定の不動産の将来性、収益性、立地、周囲の環境、築年数、空室リスク、家賃下落リスクの何れか１以上を指標化したもの含めてもよい。このとき、参照用不動産情報と、不動産情報との間で、指標化する種類を互いに共通化させておくことが望ましい。

上述した連関度を介した判断を行う上では、参照用不動産情報として、参照用財務情報を取得した購入予定者が購入予定の不動産の価格を含むものであってもよい。かかる場合には、取得する不動産情報についても同様に購入予定の不動産の価格を含むことになる。

図４は、上述した参照用財務情報と、参照用不動産情報との組み合わせと、当該組み合わせに対する融資の可否判断との３段階以上の連関度が設定されている例を示している。この図４の連関度は、図３に示す連関度の出力解に対応する金融融資条件を、融資の可否判断に置換したものであり、他の構成は何れも図３と同様である。

ここでいう融資の可否判断は、不動産の購入予定者に対して融資をすることが可能か、不可能か、或いは条件付きで可能であればその条件を規定するものである。

このような図４に示す連関度を予め取得した上で、先ず新たに融資条件を提案する購入予定者の最近の財務情報と、当該購入予定者が購入予定の不動産に関する不動産情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した不動産情報に応じた参照用不動産情報とを有する組み合わせと、上記融資の可否判断との３段階以上の連関度に基づき、融資の可否を判断する。

図５は、上述した参照用財務情報と、参照用属性情報との組み合わせと、当該組み合わせに対する融資条件との３段階以上の連関度が設定されている例を示している。

参照用属性情報とは、参照用財務情報を取得した購入予定者のあらゆる属性を含む情報であり、例えば、現在の職業、職種、勤務先、勤務先の事業内容、勤続年数を含む。また参照用属性情報は、参照用財務情報を取得した購入予定者の年齢や健康状態も含む。この参照用属性情報は、過去に債務整理や自己破産歴があるか、また携帯電話やクレジットローンの延滞歴があるか等の情報も含まれる。

図５の例では、入力データとして例えば参照用財務情報Ｐ０１〜Ｐ０３、参照用属性情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用財務情報に対して、参照用属性情報が組み合わさったものが、図５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、信用度が表示されている。

参照用財務情報と参照用属性情報との各組み合わせ（中間ノード）は、この出力解としての、融資条件に対して３段階以上の連関度を通じて互いに連関しあっている。参照用財務情報と参照用属性情報がこの連関度を介して左側に配列し、融資条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用財務情報と参照用属性情報に対して、融資条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用財務情報と参照属性情報が、いかなる融資条件に紐付けられる可能性が高いかを示す指標であり、参照用財務情報と参照用属性情報から最も確からしい各融資条件を選択する上での的確性を示すものである。財務情報に加え、実際の融資先の属性がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用財務情報と参照用属性情報の組み合わせで、最適な信用度を探索していくこととなる。

図５の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図５に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用財務情報と参照用属性情報、並びにその場合の融資条件が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用財務情報Ｐ０１で、参照用属性情報Ｐ２０である場合に、その信用度を過去のデータから分析する。例えば中間ノード６１ａの例では、融資条件ＡとＢの出力にリンクしているが、以前の事例から融資条件Ａにつながるｗ１３の連関度を７点に、融資条件Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図５に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図５に示す連関度の例で、ノード６１ｂは、参照用財務情報Ｐ０１に対して、参照用属性情報Ｐ１８の組み合わせのノードであり、融資条件Ｃの連関度がｗ１５、融資条件Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用財務情報Ｐ０２に対して、参照用属性情報Ｐ１９、Ｐ２１の組み合わせのノードであり、融資条件Ｂの連関度がｗ１７、融資条件Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した財務情報に加え、新たに融資条件を判定する融資先に関する属性情報を取得する。属性情報は、参照用属性情報に対応したものである。

このような参照用属性情報、属性情報の取り込み方法は、上述した属性情報が記述されている書類の記載を画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。

このようにして新たに取得した財務情報、属性情報に基づいて、信用度を探索する。かかる場合には、予め取得した図５（表１）に示す連関度を参照する。例えば、新たに取得した財務情報がＰ０２と同一かこれに類似するものである場合であって、属性情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、融資条件Ｃがｗ１９、融資条件Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い融資条件Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる融資条件Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

なお、参照用属性情報、属性情報は、購入予定者の過去の債務整理歴、過去の自己破産歴、携帯電話の通信料の納付延滞歴、クレジットローンの延滞歴の何れか１以上を指標化したものを利用してもよい。このとき、参照用属性情報と、属性情報との間で、指標化する種類を互いに共通化させておくことが望ましい。これらの指標は、例えば納付延滞歴の回数が多いほど、また延滞期間が長いほどマイナスになるようにし、逆にこれらの延滞歴がない場合にはプラスになるように設定してもよい。

なお、参照用属性情報、属性情報は、購入予定者の年齢及び健康状態を指標化してもよい。健康状態は、例えば購入予定者が実際に医療機関において受診した健康診断の結果や人間ドックの結果において、Ａ〜Ｅの５段階で評価されており、Ａになるほど良好であり、Ｅになるほど要注意、或いは実際に病気や欠陥が発見された場合であるとしたとき、このＡの割合や数、Ｃ以下、Ｄ以下、或いはＥの各割合や数等で指標化されていてもよい。年齢の指標化は高いほどマイナスになり、若いほどプラスになるように指標化されていてもよい。

図６は、上述した参照用財務情報と、参照用属性情報との組み合わせと、当該組み合わせに対する融資の可否判断との３段階以上の連関度が設定されている例を示している。この図６の連関度は、図５に示す連関度の出力解に対応する金融融資条件を、融資の可否判断に置換したものであり、他の構成は何れも図５と同様である。

このような図６に示す連関度を予め取得した上で、先ず新たに融資の可否を判断する購入予定者の最近の財務情報と、当該購入予定者の属性情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した属性情報に応じた参照用属性情報とを有する組み合わせと、上記融資の可否判断との３段階以上の連関度に基づき、融資の可否を判断する。

図７は、上述した参照用財務情報と、参照用属性情報との組み合わせと、当該組み合わせに対する融資先の信用度との３段階以上の連関度が設定されている例を示している。この図７の連関度は、図５に示す連関度の出力解に対応する金融融資条件を、融資先の信用度に置換したものであり、他の構成は何れも図５と同様である。

融資先の信用度は、「正常」、「要注意」、「破綻可能性有」、「実質破綻」、「破綻」等とランク付けするようにしてもよいし、百分率で表示し、１００％が最も信用度が高く、０％が最も信用度が低いものとしてもよい。この信用度は、参照用財務情報等との間でのデータセットとして事前に収集される。この信用度は例えば以前金融機関において判断を行った記録などがあればそれをそのまま用いるようにしてもよい。また同一又は類似の参照用決算情報で、融資が認められた件数と、融資が下りなかった件数とから信用度を算出するようにしてもよい。ちなみに、この信用度は、参照用財務情報を提供した企業に対して付されたものである。このため、過去の審査において、参照用財務情報を提供してもらった企業と、その企業に対して付された信用度を取得することで、これらのデータセットを取得することができる。このような事例を数多く集めておく。

このような図７に示す連関度を予め取得した上で、先ず新たに信用度を判断する購入予定者の最近の財務情報と、当該購入予定者の属性情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した属性情報に応じた参照用属性情報とを有する組み合わせと、上記融資の可否判断との３段階以上の連関度に基づき、信用度を判断する。

図８は、上述した参照用財務情報と、参照用外部環境情報との組み合わせと、当該組み合わせに対する融資条件との３段階以上の連関度が設定されている例を示している。

参照用外部環境情報とは、外部環境情報に関する様々な情報である。ここでいう外部環境情報は、経済データ（ＧＤＰ、雇用統計、鉱工業生産指数、設備投資、労働力調査等）、家計データ（家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ等）、不動産データ（オフィス空室率、坪単価、賃料相場、地価、空き家データ等）、自然環境データ（災害データ、気温データ、降水量データ、風向きデータ、湿度データ等）に代表されるものである。外部環境情報は、これらのデータの一部、全部が反映されるもの以外に、その審査対象の企業の外部のあらゆる情報が含まれる。参照用外部環境情報は、外部環境自体を類型化しておくようにしてもよい。

図８の例では、入力データとして例えば参照用財務情報Ｐ０１〜Ｐ０３、参照用外部環境情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用財務情報に対して、参照用外部環境情報が組み合わさったものが、図８に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、信用度が表示されている。

参照用財務情報と参照用外部環境情報との各組み合わせ（中間ノード）は、この出力解としての、融資条件に対して３段階以上の連関度を通じて互いに連関しあっている。参照用財務情報と参照用外部環境情報がこの連関度を介して左側に配列し、融資条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用財務情報と参照用外部環境情報に対して、融資条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用財務情報と参照外部環境情報が、いかなる融資条件に紐付けられる可能性が高いかを示す指標であり、参照用財務情報と参照用外部環境情報から最も確からしい各融資条件を選択する上での的確性を示すものである。財務情報に加え、実際の融資先の属性がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用財務情報と参照用外部環境情報の組み合わせで、最適な信用度を探索していくこととなる。

図８の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図８に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用財務情報と参照用外部環境情報、並びにその場合の融資条件が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図８に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用財務情報Ｐ０１で、参照用外部環境情報Ｐ２０である場合に、その信用度を過去のデータから分析する。例えば中間ノード６１ａの例では、融資条件ＡとＢの出力にリンクしているが、以前の事例から融資条件Ａにつながるｗ１３の連関度を７点に、融資条件Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図８に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図８に示す連関度の例で、ノード６１ｂは、参照用財務情報Ｐ０１に対して、参照用外部環境情報Ｐ１８の組み合わせのノードであり、融資条件Ｃの連関度がｗ１５、融資条件Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用財務情報Ｐ０２に対して、参照用外部環境情報Ｐ１９、Ｐ２１の組み合わせのノードであり、融資条件Ｂの連関度がｗ１７、融資条件Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した財務情報に加え、新たに融資条件を判定する融資先に関する外部環境情報を取得する。外部環境情報は、参照用外部環境情報に対応したものである。

このような参照用外部環境情報、外部環境情報の取り込み方法は、上述した外部環境情報が記述されている書類の記載を画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。

このようにして新たに取得した財務情報、外部環境情報に基づいて、信用度を探索する。かかる場合には、予め取得した図８（表１）に示す連関度を参照する。例えば、新たに取得した財務情報がＰ０２と同一かこれに類似するものである場合であって、外部環境情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、融資条件Ｃがｗ１９、融資条件Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い融資条件Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる融資条件Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

なお、この参照用財務情報と参照用外部環境情報との組み合わせで連関度を形成する場合も同様に、出力解として融資の可否判断を探索するようにしてもよい。かかる場合には、図６に示すように、参照用財務情報と、参照用属性情報の代替として参照用外部環境情報との組み合わせと、当該組み合わせに対する融資の可否判断との３段階以上の連関度が設定されている例を示している。

このような図６に示す連関度を予め取得した上で、先ず新たに融資の可否を判断する購入予定者の最近の財務情報と、外部環境情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した外部環境情報に応じた参照用外部環境情報とを有する組み合わせと、上記融資の可否判断との３段階以上の連関度に基づき、融資の可否を判断する。

なお、この参照用財務情報と参照用外部環境情報との組み合わせで連関度を形成する場合も同様に、出力解として融資先の信用度を探索するようにしてもよい。かかる場合には、図７に示すように、参照用財務情報と、参照用属性情報の代替として参照用外部環境情報との組み合わせと、当該組み合わせに対する融資先の信用度との３段階以上の連関度が設定されている例を示している。

このような図７に示す連関度を予め取得した上で、先ず新たに融資の可否を判断する購入予定者の最近の財務情報と、外部環境情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した外部環境情報に応じた参照用外部環境情報とを有する組み合わせと、上記融資先の信用度との３段階以上の連関度に基づき、融資先の信用度を判断する。

なお、本発明においては、入力パラメータとして、参照用財務情報に加えて、参照用不動産情報、参照用属性情報、参照用外部環境情報を２種類以上を組み合わせて上述した連関度を形成するようにしてもよい。

また、図９に示すように、参照用情報Ｕとして、参照用財務情報、参照用不動産情報、参照用属性情報、参照用外部環境情報等で構成し、参照用情報Ｖとして、参照用情報Ｕと組み合わせて連関度を構成する参照用財務情報、参照用不動産情報、参照用属性情報、参照用外部環境情報とし、これらの組み合わせの連関度に基づいて判別するようにしてもよい。出力解は、上述した各栽培方法に該当する。

このとき、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力と関連付けられていてもよい。例えば、参照用情報Ｕについて、出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力を探索するようにしてもよい。
第２実施形態
以下、第２実施形態について説明をする。この第２実施形態を実行する上では、第１実施形態において使用する不動産融資条件提案システム１、情報取得部９、探索装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。
第２実施形態では、例えば図１０に示すように、参照用財務情報と、参照用市況情報との組み合わせと、当該組み合わせに対する融資の可否判断との３段階以上の連関度が設定されている例を示している。

ここでいう参照用市況情報とは、市況に関する様々な情報である。この参照用市況情報の例としては、金利、為替、各銘柄の株価、原油、先物、貴金属、ビットコイン等の値動きを対象としたものである。この参照用市況情報は、オフィス空室率、坪単価、賃料相場、地価、空き家に関する統計的データ等、不動産に関するあらゆる市況情報を含むものであってもよい。この参照用市況情報は、これらの対象について時系列的なチャートや折れ線グラフ等で表示されていてもよい。またボリンジャーバンド、出来高、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。また、この市況情報は、各銘柄のチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。為替についても各通貨間における値動きを示すチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。

また参照用市況情報は、一企業、またその企業を含む業界全体、或いは日本全体、世界全体までいかなる範囲をターゲットにしてもよい。この参照用市況情報の例としては、各銘柄の企業のファンダメンタルな指標が盛り込まれていてもよく、年間の売り上げや利益、コストに加えて、PER（株価収益率）、PBR（株価純資産倍率）、ROE（株主資本利益率）等の指標が盛り込まれていてもよい。為替についても各通貨間における値動きを示すチャート、ボリンジャーバンド、ＭＡＣＤ、移動平均線等の情報が付されていてもよい。参照用市況情報は、市場将来性自体を類型化しておくようにしてもよい。例えば、株価の伸び率が年〇％以上あるか否かにより区切ることで分類するようにしてもよい。また、パターン（例えば、株価の伸び率が急激が、あるいは徐々に増加するか等のパターン）等により類型化されていてもよい。

参照用市況情報は、家計消費状況調査、家計データ、１週間の平均就業時間、貯蓄額の統計データ、年収の統計データ、家計に関する等に関する様々な統計情報を含む。また、参照用統計情報及び統計情報は、オフィス空室率、坪単価、賃料相場、地価、空き家に関する統計的データ等、不動産に関するあらゆる統計情報も含まれる。また参照用統計情報及び統計情報は、経済に関する統計情報としてのＧＤＰ、景気動向指数、消費支出、新車販売台数、消費者物価指数等のデータが含まれる。参照用統計情報及び統計情報は、家計、不動作、経済の何れかに関する統計的な情報を含むものである。

図１０の例では、入力データとして例えば参照用財務情報Ｐ０１〜Ｐ０３、参照用市況情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用財務情報に対して、参照用市況情報が組み合わさったものが、図１０に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、金融融資条件が表示されている。

参照用財務情報と参照用市況情報との各組み合わせ（中間ノード）は、この出力解としての、融資条件に対して３段階以上の連関度を通じて互いに連関しあっている。参照用財務情報と参照用市況情報がこの連関度を介して左側に配列し、融資条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用財務情報と参照用市況情報に対して、融資条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用財務情報と参照市況情報が、いかなる融資条件に紐付けられる可能性が高いかを示す指標であり、参照用財務情報と参照用市況情報から最も確からしい各融資条件を選択する上での的確性を示すものである。財務情報に加え、実際の市況がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用財務情報と参照用市況情報の組み合わせで、最適な信用度を探索していくこととなる。

図１０の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図１０に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用財務情報と参照用市況情報、並びにその場合の融資条件が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１０に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用財務情報Ｐ０１で、参照用市況情報Ｐ２０である場合に、その信用度を過去のデータから分析する。例えば中間ノード６１ａの例では、融資条件ＡとＢの出力にリンクしているが、以前の事例から融資条件Ａにつながるｗ１３の連関度を７点に、融資条件Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図１０に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図１０に示す連関度の例で、ノード６１ｂは、参照用財務情報Ｐ０１に対して、参照用市況情報Ｐ１８の組み合わせのノードであり、融資条件Ｃの連関度がｗ１５、融資条件Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用財務情報Ｐ０２に対して、参照用市況情報Ｐ１９、Ｐ２１の組み合わせのノードであり、融資条件Ｂの連関度がｗ１７、融資条件Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。
このような図１０に示す連関度を予め取得した上で、先ず新たに融資条件を提案する購入予定者の最近の財務情報と、この財務情報を取得する時期における市況情報を取得する。
次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、融資条件との３段階以上の連関度に基づき、その融資先にとって最適な融資条件を探索する。

このようにして新たに取得した財務情報、市況情報に基づいて、融資条件を探索する。かかる場合には、予め取得した図１０（表１）に示す連関度を参照する。例えば、新たに取得した財務情報がＰ０２と同一かこれに類似するものである場合であって、市況情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、融資条件Ｃがｗ１９、融資条件Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い融資条件Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる融資条件Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図１１は、上述した参照用財務情報と、当該参照用財務情報を取得した時期における参照用市況情報との組み合わせと、当該組み合わせに対する融資の可否判断との３段階以上の連関度が設定されている例を示している。この図１１の連関度は、図１０に示す連関度の出力解に対応する金融融資条件を、融資の可否判断に置換したものであり、他の構成は何れも図１０と同様である。

このような図１１に示す連関度を予め取得した上で、先ず新たに融資を検討する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、上記融資の可否判断との３段階以上の連関度に基づき、融資の可否を判断する。
図１２は、上述した参照用財務情報と、当該参照用財務情報を取得した時期における参照用市況情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度が設定されている例を示している。この図１２の連関度は、図１０に示す連関度の出力解に対応する金融融資条件を、信用度に置換したものであり、他の構成は何れも図１０と同様である。

このような図１２に示す連関度を予め取得した上で、先ず新たに融資を検討する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した市況情報に応じた参照用市況情報とを有する組み合わせと、信用度との３段階以上の連関度に基づき、信用度を判断する。
図１３は、上述した参照用財務情報と、参照用イベント情報との組み合わせと、当該組み合わせに対する融資条件との３段階以上の連関度が設定されている例を示している。

参照用イベント情報とは、国内又は国外において発生した様々な社会的なニュース、出来事、事件、祝い事、慶事等に加え、各企業について起きたニュース、出来事、事件、祝い事、慶事等を含む概念である。この参照用イベント情報は、各企業や社会全体に関するブログ、アナリストレポート、有価証券報告書、広告、プレスリリース、ニュース記事等から取得することができる。これらの参照用イベント情報は、ニュース記事をテキストマイニングを通じて分析した文字列や係り受け等を介して抽出されるものであってもよい。参照用イベント情報とは、国内又は国外において発生した様々な株価に影響与える行事日程に関する情報も含まれる。この参照用イベント情報の例としては、例えば、金曜日等のように週末を持ち越したくない日や、年末年始やゴールデンウィーク等の長期休日前の最後の営業日等は株の売却数が増える傾向があるが、このような行事日程を含むものである。また、この参照用イベント情報としては、配当権利落ち日や、様々な記念日、株主優待がもらえる日等も含む。更にこの参照用イベント情報としては、オリンピックや国体、祭り、万博、ワールドカップのようなスポーツイベントの開催日等、予め行事として日程が決まっているあらゆるものを含むものである。この参照用イベント情報報は、年月日で表されるが、これに対してそれぞれの行事内容が紐付けられてなるものであってもよい。これらの参照用イベント情報は、ニュース記事をテキストマイニングを通じて分析した文字列や係り受け等を介して抽出されるものであってもよいし、ユーザ側、システム側において更新入力がなされるものであってもよい。

図１３の例では、入力データとして例えば参照用財務情報Ｐ０１〜Ｐ０３、参照用イベント情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用財務情報に対して、参照用イベント情報が組み合わさったものが、図１３に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、融資条件が表示されている。

参照用財務情報と参照用イベント情報との各組み合わせ（中間ノード）は、この出力解としての、融資条件に対して３段階以上の連関度を通じて互いに連関しあっている。参照用財務情報と参照用イベント情報がこの連関度を介して左側に配列し、融資条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用財務情報と参照用イベント情報に対して、融資条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用財務情報と参照用イベント情報が、いかなる融資条件に紐付けられる可能性が高いかを示す指標であり、参照用財務情報と参照用イベント情報から最も確からしい各融資条件を選択する上での的確性を示すものである。財務情報に加え、実際の融資先の属性がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用財務情報と参照用イベント情報の組み合わせで、最適な信用度を探索していくこととなる。

図１３の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図１３に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用財務情報と参照用イベント情報、並びにその場合の融資条件が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１３に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用財務情報Ｐ０１で、参照用イベント情報Ｐ２０である場合に、その信用度を過去のデータから分析する。例えば中間ノード６１ａの例では、融資条件ＡとＢの出力にリンクしているが、以前の事例から融資条件Ａにつながるｗ１３の連関度を７点に、融資条件Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図１３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図１３に示す連関度の例で、ノード６１ｂは、参照用財務情報Ｐ０１に対して、参照用イベント情報Ｐ１８の組み合わせのノードであり、融資条件Ｃの連関度がｗ１５、融資条件Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用財務情報Ｐ０２に対して、参照用イベント情報Ｐ１９、Ｐ２１の組み合わせのノードであり、融資条件Ｂの連関度がｗ１７、融資条件Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した財務情報に加え、新たにその財務情報を取得した時期に発生したイベントに関するイベント情報を取得する。イベント情報は、参照用イベント情報に対応したものである。

このような参照用イベント情報、イベント情報の取り込み方法は、上述したイベント情報が記述されている書類の記載を画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。

このようにして新たに取得した財務情報、イベント情報に基づいて、信用度を探索する。かかる場合には、予め取得した図１３（表１）に示す連関度を参照する。例えば、新たに取得した財務情報がＰ０２と同一かこれに類似するものである場合であって、イベント情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、融資条件Ｃがｗ１９、融資条件Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い融資条件Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる融資条件Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図１４は、上述した参照用財務情報と、当該参照用財務情報を取得した時期における参照用イベント情報との組み合わせと、当該組み合わせに対する融資の可否判断との３段階以上の連関度が設定されている例を示している。この図１４の連関度は、図１３に示す連関度の出力解に対応する金融融資条件を、融資の可否判断に置換したものであり、他の構成は何れも図１３と同様である。

このような図１４に示す連関度を予め取得した上で、先ず新たに融資を検討する購入予定者の最近の財務情報と、当該財務情報を取得した時期におけるイベント情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得したイベント情報に応じた参照用イベント情報とを有する組み合わせと、上記融資の可否判断との３段階以上の連関度に基づき、融資の可否を判断する。

図１５は、上述した参照用財務情報と、当該参照用財務情報を取得した時期における参照用イベント情報との組み合わせと、当該組み合わせに対する融資先の信用度との３段階以上の連関度が設定されている例を示している。この図１５の連関度は、図１３に示す連関度の出力解に対応する金融融資条件を、融資先の信用度に置換したものであり、他の構成は何れも図１３と同様である。

このような図１５に示す連関度を予め取得した上で、先ず新たに融資を検討する購入予定者の最近の財務情報と、当該財務情報を取得した時期におけるイベント情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得したイベント情報に応じた参照用イベント情報とを有する組み合わせと、上融資先の信用度との３段階以上の連関度に基づき、融資先の信用度を判断する。
図１６は、上述した参照用財務情報と、参照用専門家意見情報との組み合わせと、当該組み合わせに対する融資条件との３段階以上の連関度が設定されている例を示している。

参照用専門家意見情報とは、上述した参照用市況情報を構成する市況に関する情報やデータについて、専門家による見解が示されたあらゆる情報を意味し、アナリストレポートや新聞記事等に掲載されている株価の予想や株の増減の理由に関する専門家のコメント、見解等も含む。

図１６の例では、入力データとして例えば参照用財務情報Ｐ０１〜Ｐ０３、参照用専門家意見情報Ｐ１８〜２１であるものとする。このような入力データとしての、参照用財務情報に対して、参照用専門家意見情報が組み合わさったものが、図１６に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、融資条件が表示されている。

参照用財務情報と参照用専門家意見情報との各組み合わせ（中間ノード）は、この出力解としての、融資条件に対して３段階以上の連関度を通じて互いに連関しあっている。参照用財務情報と参照用専門家意見情報がこの連関度を介して左側に配列し、融資条件が連関度を介して右側に配列している。連関度は、左側に配列された参照用財務情報と参照用専門家意見情報に対して、融資条件と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用財務情報と参照用専門家意見情報が、いかなる融資条件に紐付けられる可能性が高いかを示す指標であり、参照用財務情報と参照用専門家意見情報から最も確からしい各融資条件を選択する上での的確性を示すものである。財務情報に加え、実際の融資先の属性がいかなる状態にあるのかに応じて、資金回収の可能性は変化する。このため、これらの参照用財務情報と参照用専門家意見情報の組み合わせで、最適な信用度を探索していくこととなる。

図１６の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図１６に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用財務情報と参照用専門家意見情報、並びにその場合の融資条件が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１６に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用財務情報Ｐ０１で、参照用専門家意見情報Ｐ２０である場合に、その信用度を過去のデータから分析する。例えば中間ノード６１ａの例では、融資条件ＡとＢの出力にリンクしているが、以前の事例から融資条件Ａにつながるｗ１３の連関度を７点に、融資条件Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図１６に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図１６に示す連関度の例で、ノード６１ｂは、参照用財務情報Ｐ０１に対して、参照用専門家意見情報Ｐ１８の組み合わせのノードであり、融資条件Ｃの連関度がｗ１５、融資条件Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用財務情報Ｐ０２に対して、参照用専門家意見情報Ｐ１９、Ｐ２１の組み合わせのノードであり、融資条件Ｂの連関度がｗ１７、融資条件Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した財務情報に加え、新たにその財務情報を取得した時期の市況に関する専門家意見情報を取得する。専門家意見情報は、参照用専門家意見情報に対応したものである。

このようにして新たに取得した財務情報、専門家意見情報に基づいて、信用度を探索する。かかる場合には、予め取得した図１６（表１）に示す連関度を参照する。例えば、新たに取得した財務情報がＰ０２と同一かこれに類似するものである場合であって、専門家意見情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、融資条件Ｃがｗ１９、融資条件Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い融資条件Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる融資条件Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

図１７は、上述した参照用財務情報と、当該参照用財務情報を取得した時期における市況に関する参照用専門家意見情報との組み合わせと、当該組み合わせに対する融資の可否判断との３段階以上の連関度が設定されている例を示している。この図１７の連関度は、図１６に示す連関度の出力解に対応する金融融資条件を、融資の可否判断に置換したものであり、他の構成は何れも図１６と同様である。

このような図１７に示す連関度を予め取得した上で、先ず新たに融資を検討する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況における専門家意見情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と取得した専門家意見情報に応じた参照用専門家意見情報とを有する組み合わせと、上記融資の可否判断との３段階以上の連関度に基づき、融資の可否を判断する。

図１８は、上述した参照用財務情報と、当該参照用財務情報を取得した時期における市況に関する参照用専門家意見情報とを有する組み合わせと、当該組み合わせに対する融資先の信用度との３段階以上の連関度が設定されている例を示している。この図１８の連関度は、図１６に示す連関度の出力解に対応する金融融資条件を、融資先の信用度に置換したものであり、他の構成は何れも図１６と同様である。

このような図１８に示す連関度を予め取得した上で、先ず新たに融資を検討する購入予定者の最近の財務情報と、当該財務情報を取得した時期における市況に関する参照用専門家意見情報とを取得する。次に、上述した連関度を利用し、取得した財務情報に応じた参照用財務情報と、取得した専門家意見情報に応じた参照用専門家意見情報とを有する組み合わせと、上融資先の信用度との３段階以上の連関度に基づき、融資先の信用度を判断する。

なお、第２実施形態においても、同様に入力パラメータとして、参照用財務情報に加えて、参照用市況情報、参照用イベント情報、参照用専門家意見情報を２種類以上を組み合わせて上述した連関度を形成するようにしてもよい。

また第２実施形態においては、上述した連関度について、第１実施形態における参照用不動産情報、参照用属性情報、参照用外部環境情報の何れか１以上がその組み合わせに含まれていてもよい。かかる場合には、探索解を出すときに、その組み合わせに含まれている不動産情報、属性情報、外部環境情報を新たに取得することになる。

また、本発明においては、過去の不動産の購入予定者が購入予定の不動産に関する参照用不動産情報を上述した連関度に含めないようにしつつ、これを参照するようにしてもよい。かかる場合には、この参照用不動産情報の内容に応じて、上述した出力解の内容を修正してもよく、また連関度の重み付けを変化させるようにしてもよい。例えば融資条件のレベルを参照用不動産情報の内容に応じてどのように変化させるかを予め設定しておく。

その後、不動産情報が入力された場合に、これに対応する参照用不動産情報を介して、上述した参照を行い、出力解の内容を修正してもよく、また連関度の重み付けを変化させる。

第３実施形態
以下、第３実施形態について説明をする。この第３実施形態を実行する上では、第１、２実施形態において使用する不動産融資条件提案システム１、情報取得部９、探索装置２、データベース３を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。

第３実施形態では、図１９に示すように、参照用不動産情報と、以下に示す参照用情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度が設定されている場合も同様に探索解を導出することができる。

第３実施形態において想定する個人向けの融資の場合には、不動産情報に加えて、消費行動情報、取引情報、信用履歴情報、人脈情報、第一印象情報、性格情報、将来性情報、趣向情報、属性情報、地域情報、評判情報の何れかを取得する。この取得する情報に応じた参照用情報と、上述した参照用不動産情報との組み合わせと、当該組み合わせに対する探索解（融資条件、融資の可否判断、信用度）との３段階以上の連関度を予め設定しておく。ここで、消費行動情報は、参照用消費行動情報に対応し、取引情報は、参照用取引情報に対応し、信用履歴情報は、参照用信用履歴情報に対応し、人脈情報は、参照用人脈情報に対応し、第一印象情報は、参照用第一印象情報に対応し、性格情報は、参照用性格情報に対応し、将来性情報は、参照用将来性情報に対応し、趣向情報は、参照用趣向情報に対応し、属性情報は、参照用属性情報に対応し、地域情報は、参照用地域情報に対応し、評判情報は、参照用評判情報に対応する。これら、消費行動情報、取引情報、信用履歴情報、人脈情報、第一印象情報、性格情報、将来性情報、趣向情報、属性情報、地域情報、評判情報の取得方法は、それぞれに応じた参照用情報と同様である。

参照用消費行動情報は、過去の融資先の個人がそれまでにどのようなモノやサービスを購入してきたかを示す情報である。つまり、ここでいう消費行動は、それまでに購入したあらゆる製品やサービスを対象としたところまで含まれる。個人事業主であれば、帳簿からこれらの購買情報を抽出するようにしてもよい。またレシート等からこれらの購買情報を注するようにしてもよい。この参照消費行動情報は、ＥＣ（電子商取引）サイトでの販売、購入履歴、クラウド会計情報から取り込んだ購買履歴も含めてもよい。また参照用消費行動情報は、今までの行ってきた購買において実際に何をどの程度の比率で購入しているかを統計的に示したものであってもよい。例えば、ある個人は、年間に使ったお金のうち、１/４は、住宅の家賃のために消費し、その１/４は食費、他の１/４は趣味のゴルフ、１/４は、衣類や雑貨等を買っている等、購買対象の内訳を比率で示してもよい。この参照用消費行動情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、先月に行った購買の中で最も多かったのが、衣服が１５％、食費が１３％、交際費が１０％、・・・であり、参照用情報Ｐ３５は、先月に行った購買の中で最も多かったのが、家賃２５％、食費が２０％、自動車が１４％、・・・等である。

参照用取引情報は、過去の融資先の個人におけるそれまでの取引に関するあらゆる情報である。参照用消費行動情報は、実態に何にお金を使ってきたかを示す情報であるのに対して、この参照用取引情報は、実際の売買や取引においてどの程度フェアに行っていたか、また、誠実なトレードを行ってきたか、また取引相手の誠実性や安全性を示すものである。また参照用取引情報は、取引する金額や規模感も含まれる。この参照用取引情報は、金融機関における銀行口座への入出金や決済データから取得することができる。これらから入出金情報を得ることができる。また、参照用取引情報は、見積書、納品書、請求書から取得することができ、例えばＥＣ（電子商取引）サイトでの販売、購入であれば、そのＥＣサイトから取得することもできる。また、この参照用取引情報は、実際にＥＣサイトを通じて売買を行った製品やサービスについて、評価者による評価内容も反映されるものであってもよい。評価内容が高いほど、より正当でしかもフェアな消費行動、購買を行ったものとみなすことができる。納品物の質の高さや納品の期日順守、取引前のメッセージの丁寧さ等の情報から参照用取引情報を抽出してもよい。またＥＣサイトを通じて行った取引において納品したものについて欠陥があった場合、そのＥＣサイトにおける書き込みを通じてこれを抽出することで、評価内容を下げるように制御してもよい。参照用取引情報は、過去の注文データから判別した不正取引の有無が反映されるものであってもよい。ここでいう不正取引の判別は、一日１回しか購入できない格安商品を、名前を変えて沢山購入したり、住所を上手く変更することで同一人であることが判別されないようにして購入している場合に、これをインターネット上の監視技術を通じて抽出するようにしてもよい。取引相手の誠実性や安全性は、口座入出金明細、会計データ、ＷＥＢサイト、決算明細書、帳簿情報から抽出してもよい。この抽出する際には、より危険性の高い取引相手について予め取得して学習させておき、機械学習を通じてこれらの口座入出金明細、会計データ、ＷＥＢサイト、決算明細書等から判別するようにしてもよい。また、取引相手と過去において交渉を行い、その取引履歴が紙媒体の文書やその文書の電子データを保有している場合には、この取引履歴文書から参照用取引情報を抽出してもよい。また、個人が自営業者であれば、その自営業を行う上で立ち上げたサイトやＳＮＳ等に記載された主要取引先情報から参照用取引情報を抽出してもよい。この参照用消費行動情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、取引先が〇×株式会社、書籍１０冊を２万３千円で販売、ＥＣサイトによる評価は５段階評価の中で４点、参照用情報Ｐ３５は、取引先が△◆株式会社、ＰＣを５万５千円で購入、ＥＣサイトによる評価は５段階評価の中で２点、等である。

参照用信用履歴情報は、過去の融資先の個人におけるそれまでの信用履歴に関するあらゆる情報である。参照用信用履歴情報の例としては、クレジットローンの返済を怠ったり、携帯電話等の通信料の滞納の履歴の有無やその程度、年金や健康保険の支払い状況や滞納の履歴、税金の滞納等、自ら加入している保険の書類、過去に債務整理や自己破産歴があるか否か等である。この参照用信用履歴情報は、銀行の入出金履歴から取得するようにしてもよい。この参照用信用履歴情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、過去において携帯電話やクレジットローンの延滞歴は０、参照用情報Ｐ３５は、過去においてクレジットローンの延滞歴は3回、参照用情報Ｐ３６は、過去において携帯電話の通話料の延滞歴は１回、等である。

参照用人脈情報は、過去の融資先の個人の交友関係や人脈に関するあらゆる情報である。この参照用人脈情報は、例えば、論文や特許公報において記載されている著者、発明者に関する情報から抽出してもよい。一の論文や特許公報において連名で共著者、発明者が並んでいる場合には、通常それらの共著者、発明者はその論文や特許を出す上で一緒に仕事をしてきたわけであり、その分においてつながりが深く、互いに人脈が形成されているといえる。また、インターネットサイト上からイベントや各種発表を共同で企画していた場合、その共同参画者は連名でサイト上に掲載されていることが多いことから、共同参画者間で互いに人脈が形成されている場合が多い。また企業の役員等で名前を連ねている場合も、これらの役員間で互いに人脈が形成されているものと考えることができる。参照用人脈情報は、このような人脈を抽出する。参照用人脈情報は、その人脈において要注意人物、危険人物、或いは各種功績を残した人物、有名な人物等が含まれている場合にその旨のスコアや評価情報が盛り込まれている。この参照用人脈情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、人脈として〇〇賞を受賞した人物〇×が含まれている、参照用情報Ｐ３５は、過去に犯罪を犯した人物▲◆が含まれている等である。

参照用第一印象情報は、過去の融資先の個人の第一印象に関するあらゆる情報である。この参照用第一印象情報としては、その過去の融資先の個人の顔画像や発した声等を通じて取得することができる。顔画像はカメラを通じて撮影された顔写真やデジタル画像で構成され、静止画及び動画の何れであってもよい。声は、マイクロフォンを通じて録音された音声である。このような顔画像や音声は、それぞれ解析される。顔画像は、画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。例えば顔画像を通じて嘘をついて自信のなさそうな部分や、悪意が含まれてる部分等、信用面に影響を及ぼす特徴を抽出することができる。音声についても嘘をついたり自信のない言動、今までと違った言動を繰り返すなど、信用面に影響を及ぼす特徴を抽出する。音声も既存の解析技術や機械学習を利用した特徴的なイントネーションやアクセントの抽出を通じて、信用面に影響を及ぼす特徴を抽出するようにしてもよい。参照用第一印象情報は、顔画像と音声の双方、或いは顔画像、音声の何れか一方からなるものであってもよい。

参照用性格情報は、過去の融資先の個人の性格に関するあらゆる情報である。この性格は、例えば、短気、気が長い、薄情、強情、温和、強気、弱気、虚偽の言動が多い、面倒見がいい、目上の人には礼儀正しい、約束は必ず守る、約束を頻繁に反故にする、等である。この性格は、例えば、ＳＮＳや各種情報サイトへの書き込み、金融機関が聴取した履歴書の内容、或いは性格診断テストや気質分析テスト等から取得したデータを活用してもよい。この参照用性格情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、気が弱くて薄情、参照用情報Ｐ３５は、強気だが思いやりがある、等である。

参照用将来性情報は、過去の融資先の個人の将来性に関するあらゆる情報である。この参照用将来性情報は、学歴と現在の勤務先からスコア化するようにしてもよいし、現在の勤務先における役職や勤続年数、年収等もそのスコアに含めるようにしてもよい。またこれまでの転職履歴があればその履歴情報と培ってきたキャリアの情報があればそれも取得するようにしてもよい。このような参照用将来性情報は、例えば金融機関に提出する申請書る等に、このような履歴書、職務経歴書に記載するような欄があればそこから抽出するようにしてもよい。また資格の有無、役職への昇進スピード、留学経験、出向の経験等もこの参照用将来性情報の説明変数としてもよい。更に、特許の発明者や論文の著者に名前を連ねている場合には、これも参照用将来性情報の説明変数として加えてもよい。この参照用将来性情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、〇×大学卒で◆◆企業で勤続１５年で役職は課長、５年前に〇△社に出向、参照用情報Ｐ３５は、◇〇大学卒で〇〇企業に５年間勤務後、独立して〇□×業を営む、現在年商５千万円で従業員数２人等である。

参照用趣向情報は、過去の融資先の個人の趣味は特技に関するあらゆる情報である。趣味は、例えば、ゴルフ、釣り、麻雀、ランニング、ビリヤード、ボーリング、読書、スポーツ観戦、ドライブ、マリンスポーツ等であり、特技は、珠算２段、書道３段、バイオリン（〇〇コンクール入賞）、手品、茶道（高校時代、茶道部部長）等である。参照用趣向情報は、趣味、特技の双方が必ずしも必要ではなく、何れか一方のみで構成されていてもよい。この参照用趣向情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、趣味：釣り、特技：書道３段であり、参照用情報Ｐ３５は、趣味：マリンスポーツ、特技：茶道（高校時代、茶道部部長）等である。

参照用属性情報は、過去の融資先の個人の属性に関するあらゆる情報である。参照用属性情報は、当該個人の年齢や健康状態、年収、生年月日、出身地、家庭環境（妻が妊娠中、家族が障害や病気を追っている、祖父母と同居しているか否か、被介護者が自宅に居るか否か、被災しているか否か、ＤＶや虐待の有無や程度、離婚しているか否か、世帯収入、生活保護の有無、妻子の有無及びその年齢構成等、子供の就学状況）、また子供が就学中であれば、その学費と今後かかる見込みの学費、当該個人が現在就職活動中か、就業中か等も含まれる。健康状態については、当該個人が全くの健康体であるか、或いは先天的に何らかの障害があるのか否かと障害の程度、また生まれた後に後天的に発生した障害があるか否かとその障害の程度、また生後に何らかの疾病にかかったか否か、現状もその疾病が継続しているか否かとその程度、アレルギーの状態、炎症の状態、怪我の状態、持病の状態、服用している薬剤の状況等、健康状態を示すあらゆる情報が含まれる。この参照用属性情報に含まれる健康状態は、心拍数や脈拍数、血液データ、心電図データ、Ｘ線画像等、医療データそのものから導かれたものであってもよい。これらは何れも各家庭からの申告や提出文書、医師の診断書等を通じて得られるものであってもよい。この参照用属性情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、年齢４６歳、出身地：静岡、年収〇万円、〇×企業に勤務、家庭環境：妻と長男、長女の４人家族、長男は高校性、長女は中学生、健康状態：過去に胃潰瘍で手術した経験があり、参照用情報Ｐ３５は、年齢３８歳、出身地：東京、年収〇万円、▲〇企業に勤務、家庭環境：妻と長女の３人家族、長女は小学生、健康状態：良好等である。

参照用地域情報は、過去の融資先の個人が属する地域に関する情報である。ここでいう個人が属する地域とは、現住所の地域のみならず、勤務先の地域、前の住所の地域、更には出身地も含まれる。この参照用地域情報は、関東地方や東京都等といった括りでもよいが、市区町村、町名、番地レベルで細分化されていてもよい。このようにグループ化、細分化された地域がある中で、各セグメント化された地域における景況感、イベント、事故、事件、災害、伝染病等がこの参照用地域情報として反映される。この参照用業界情報は第1実施形態における参照用外部環境情報に支配される要素も含まれていることから、この参照用外部環境情報を引用することで構成してもよい。この参照用地域情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、東京都千代田区では、〇〇事件が発生、参照用情報Ｐ３５は、奈良県は景況感指数〇〇等である。

参照用評判情報は、過去の融資先の個人の評判に関する情報である。この評判は、例えば、ＳＮＳやインターネット上の掲示板における評判、その個人が販売する商品や、運営するイベントに関する評判、個人が運営するブログにおける評価や評判等である。参照用評判情報は、主としてインターネット上のＳＮＳ、ブログ、情報サイト、掲示板等から取得する。この参照用評判情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、自社の運営している情報サイトで著作権、肖像権等の権利関係の問題を起こしたことがある、参照用情報Ｐ３５は、ＳＮＳを通じて名指しで誹謗中傷等を行なったことがある等である。

また、法人向けの融資の場合には、不動産情報に加えて、専門家意見情報、取引情報、信用履歴情報、企業倫理情報、将来性情報、属性情報、業界情報、経営者情報、地域情報、評判情報の何れかを取得する。この取得する情報に応じた参照用情報と、上述した参照用財務情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度を予め設定しておく。ここで、専門家意見情報は、参照用専門家意見情報に対応し、取引情報は、参照用取引情報に対応し、信用履歴情報は、参照用信用履歴情報に対応し、企業倫理情報は、参照用企業倫理情報に対応し、将来性情報は、参照用将来性情報に対応し、属性情報は、参照用属性情報に対応し、業界情報は、参照用業界情報に対応し、経営者情報は、参照用経営者情報に対応し、地域情報は、参照用地域情報に対応し、評判情報は、参照用評判情報に対応する。

融資先が法人の場合における参照用情報は、参照用専門家意見情報、参照用取引情報、参照用信用履歴情報、参照用企業倫理情報、参照用将来性情報、参照用属性情報、参照用業界情報、参照用経営者情報、参照用地域情報、参照用評判情報の何れか１以上で構成される。これらの各参照用情報は過去の融資先の個人から取得したものである。以下、融資先が個人の場合におけるこれらの参照用情報の詳細について説明をする。

参照用専門家意見情報は、参照用財務情報に対して発表された専門家の意見が反映された情報である。ここでいう過去の融資先の法人は、実際に融資を行った法人に限定されるものでは無く、それぞれ架空の法人を設定し、これについて金融機関が信用度を設定することで得たデータを活用してもよい。

参照用専門家意見情報は、参照用財務情報に対して専門家による見解が示されたあらゆる情報を意味し、アナリストレポートや新聞記事等に掲載されている各企業の株の増減の理由に関する専門家のコメント、今後の売上や利益の見通し、予測、見解等である。また、参照用専門家意見情報は、単に各企業の株が上がるか、下がるか、変わらないか、に関する予想そのものであってもよい。この参照用専門家意見情報としては、日経平均先物全体に関する意見、或いは特定のセグメント、業種に関する意見、更には個々の銘柄に関する意見の何れも含まれる。また参照用専門家意見情報としては、インターネット上に掲載される専門家（アナリスト）によるアナリストレポートや上昇又は下落の予想を取り込んでくるものであってもよい。

参照用取引情報は、過去の融資先の法人におけるそれまでの取引に関するあらゆる情報である。参照用取引情報は、実際の売買や取引においてどの程度フェアに行っていたか、また、誠実なトレードを行ってきたか、また取引相手の誠実性や安全性を示すものである。また参照用取引情報は、取引する金額や規模感も含まれる。この参照用取引情報は、金融機関における銀行口座への入出金や決済データから取得することができる。これらから入出金情報を得ることができる。また、参照用取引情報は、見積書、納品書、請求書から取得することができ、例えばＥＣ（電子商取引）サイトでの販売、購入であれば、そのＥＣサイトから取得することもできる。また、この参照用取引情報は、実際にＥＣサイトを通じて売買を行った製品やサービスについて、評価者による評価内容も反映されるものであってもよい。評価内容が高いほど、より正当でしかもフェアな消費行動、購買を行ったものとみなすことができる。納品物の質の高さや納品の期日順守、取引前のメッセージの丁寧さ等の情報から参照用取引情報を抽出してもよい。またＥＣサイトを通じて行った取引において納品したものについて欠陥があった場合、そのＥＣサイトにおける書き込みを通じてこれを抽出することで、評価内容を下げるように制御してもよい。参照用取引情報は、過去の注文データから判別した不正取引の有無が反映されるものであってもよい。ここでいう不正取引の判別は、一日１回しか購入できない格安商品を、名前を変えて沢山購入したり、住所を上手く変更することで同一人であることが判別されないようにして購入している場合に、これをインターネット上の監視技術を通じて抽出するようにしてもよい。取引相手の誠実性や安全性は、口座入出金明細、会計データ、ＷＥＢサイト、決算明細書、帳簿情報から抽出してもよい。この抽出する際には、より危険性の高い取引相手について予め取得して学習させておき、機械学習を通じてこれらの口座入出金明細、会計データ、ＷＥＢサイト、決算明細書等から判別するようにしてもよい。また、取引相手と過去において交渉を行い、その取引履歴が紙媒体の文書やその文書の電子データを保有している場合には、この取引履歴文書から参照用取引情報を抽出してもよい。また、法人が立ち上げたサイトやＳＮＳ等に記載された主要取引先情報から参照用取引情報を抽出してもよい。この参照用消費行動情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、取引先が〇×株式会社、製品としてＬＥＤ電球１万個を〇〇円で販売、ＥＣサイトによる評価は５段階評価の中で４点、参照用情報Ｐ３５は、取引先が△◆株式会社、５万５千円のＰＣを４０台販売、ＥＣサイトによる評価は５段階評価の中で５点、等である。

参照用信用履歴情報は、過去の融資先の法人におけるそれまでの信用履歴に関するあらゆる情報である。参照用信用履歴情報の例としては、クレジットローンの返済を怠ったり、携帯電話等の通信料の滞納の履歴の有無やその程度、企業が支払うべき年金や健康保険の支払い状況や滞納の履歴、納税の滞納等、自ら加入している保険の書類、過去に債務整理や自己破産歴があるか否か等である。この参照用信用履歴情報は、銀行の入出金履歴から取得するようにしてもよい。この参照用信用履歴情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、過去において携帯電話やクレジットローンの延滞歴は０、参照用情報Ｐ３５は、過去においてクレジットローンの延滞歴は3回、参照用情報Ｐ３６は、過去において携帯電話の通話料の延滞歴は１回、等である。

参照用企業倫理情報は、過去の融資先の法人におけるそれまでの企業倫理に関するあらゆる情報である。ここでいう企業倫理とは、廃棄物をきちんと処理をしているか、工場から公害を発生させていないが、近隣の住民に対する配慮が行われているか等であるがこれに限定されるものでは無く、特許権の侵害や法律違反、技術流出や個人情報の流出等の不祥事やトラブル、脱税や、各種犯罪でニュースになっていた場合もこの参照用企業倫理情報に反映させるようにしてもよい。例えば、不当解雇やパワハラ、残業方による過労死や自殺等でニュースになった場合には、そのニュース情報をインターネット上の各種情報サイトから取り込んでくることにより、この参照用企業倫理情報を形成するようにしてもよい。この参照用企業倫理情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、防衛機密情報〇〇の流出、参照用情報Ｐ３５は、パワハラで社員が自殺等である。

参照用将来性情報は、過去の融資先の法人の将来性に関するあらゆる情報である。この参照用将来性情報は、その企業が今後大きく伸びていく可能性が有れば信用度が高くなるように、またその企業が今後停滞する可能性が高い場合には信用度が低くなるように設定するための説明変数である。参照用将来性情報は、その企業の研究開発に関する取組から抽出されるものであってもよく、例えば、その企業が出した特許公報や論文、技報のテキストデータから、将来の市場ニーズに合致するキーワードを含む特許出願等が何件出ているか、その業界における全特許出願件数に対する割合に基づいてスコア化してもよいし、ニュース記事において将来の成長や売上増につながる内容からその参照用将来性情報をスコア化してもよい。将来性が暗くなるようなニュース記事からも同様に参照用将来性情報をスコア化してもよい。また、法人の将来性は、その業界の将来性が高ければ、そこに属する法人の将来性も同様に高くなる傾向があることから、第１実施形態における市場将来性情報を引用してきてもよい。

参照用属性情報は、過去の融資先の法人の属性に関するあらゆる情報である。ここでいう属性とは、その法人の業種や技術分野、歴史、沿革、資本金、規模、従業員数、設立年数等が含まれるが、これに限定されるものでは無く、社風や従業の士気、採用者数等も含まれる。

参照用業界情報は、過去の融資先の法人の属する業界に関するあらゆる情報である。参照用業界情報は、その業界の歴史や、グローバル環境におけるその業界のポジション、業界としての成長性、商慣習、需給関係、ＫＳＦ、ＫＢＦ、その業界のビジネスモデル、カネやモノの流れ等の情報である。この参照用業界情報は第1実施形態における参照用市況情報や参照用外部環境情報に支配される要素も含まれていることから、これら参照用市況情報や参照用外部環境情報を引用することで構成してもよい。

参照用経営者情報は、過去の融資先の法人の経営者に関するあらゆる情報である。ここでいる経営者とは、社長のみならず、経営に参画する役員も含む。この参照用経営者情報は、経営者のキャリア、実績に加え、経営者の年齢や健康状態、年収、生年月日、出身地、家庭環境を含む。また経営者としての名声、賞罰、スキャンダル等も説明変数に加えてスコア化してもよい。これに加えて経営者の第一印象に関するあらゆる情報をこの参照用経営者情報に含めてもよい。かかる場合は、上述した参照用第一印象情報と同様に、経営者の顔画像や発した声等を通じて取得することができる。取得した経営者の顔画像や音声は、それぞれ解析される。顔画像は、画像解析、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。例えば顔画像を通じて嘘をついて自信のなさそうな部分や、悪意が含まれてる部分等、信用面に影響を及ぼす特徴を抽出することができる。音声についても嘘をついたり自信のない言動、今までと違った言動を繰り返すなど、信用面に影響を及ぼす特徴を抽出する。音声も既存の解析技術や機械学習を利用した特徴的なイントネーションやアクセントの抽出を通じて、信用面に影響を及ぼす特徴を抽出するようにしてもよい。顔画像と音声の双方、或いは顔画像、音声の何れか一方からなるものであってもよい。

参照用地域情報は、過去の融資先の法人が属する地域に関する情報である。ここでいう法人が属する地域とは、法人が立地する住所の地域である。この参照用地域情報は、関東地方や東京都等といった括りでもよいが、市区町村、町名、番地レベルで細分化されていてもよい。このようにグループ化、細分化された地域がある中で、各セグメント化された地域における景況感、イベント、事故、事件、災害、伝染病等がこの参照用地域情報として反映される。この参照用業界情報は第1実施形態における参照用外部環境情報に支配される要素も含まれていることから、この参照用外部環境情報を引用することで構成してもよい。この参照用地域情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、東京都千代田区では、〇〇事件が発生、参照用情報Ｐ３５は、奈良県は景況感指数〇〇等である。

参照用評判情報は、過去の融資先の法人の評判に関する情報である。この評判は、例えば、ＳＮＳやインターネット上の掲示板における評判、その法人が販売する製品又はサービスや、運営するイベントに関する評判、法人が運営するブログにおける評価や評判等である。参照用評判情報は、主としてインターネット上のＳＮＳ、ブログ、情報サイト、掲示板等から取得する。この参照用評判情報を上述した参照用情報Ｐ３４〜Ｐ３６に当てはめる場合には、例えば参照用情報Ｐ３４は、法人の運営している情報サイトで著作権、肖像権等の権利関係の問題を起こしたことがある、参照用情報Ｐ３５は、ＳＮＳを通じてその法人が慈善団体か抗議を受けたことがある等である。

例えば、消費行動情報を取得する場合には、事前に参照用不動産情報と、図１９に示す参照用情報としての参照用消費行動情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度からなる学習用データを作っておく。

図１９の例では、入力データとして例えば参照用不動産情報Ｐ０１〜Ｐ０３、参照用情報Ｐ３４〜３７には、それぞれ参照用消費行動情報Ｐ３４〜３７が入る。このような入力データとしての、参照用不動産情報に対して、参照用消費行動情報が組み合わさったものが、図１９に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての信用度が表示されている。

参照用不動産情報と参照用消費行動情報との各組み合わせ（中間ノード）は、この出力解としての信用度に対して３段階以上の連関度を通じて互いに連関しあっている。参照用不動産情報と参照用消費行動情報がこの連関度を介して左側に配列し、信用度が連関度を介して右側に配列している。連関度は、左側に配列された参照用不動産情報と参照用消費行動情報に対して、各信用度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用不動産情報と参照用消費行動情報が、いかなる信用度に紐付けられる可能性が高いかを示す指標であり、参照用不動産情報と参照用消費行動情報から最も確からしい各信用度を選択する上での的確性を示すものである。不動産情報に加え、実際にその消費行動情報に応じて、判断することができ、資金回収の可能性は異なるものとなる。このため、これらの参照用不動産情報と参照用消費行動情報の組み合わせで、最適な信用度を探索していくこととなる。

図１９の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図１９に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で参照用不動産情報と参照用消費行動情報、並びにその場合の信用度の何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図１９に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用不動産情報Ｐ０１で、参照用情報（参照用消費行動情報）Ｐ３６である場合に、その信用度を過去のデータから分析する。信用度が「破綻可能性有」の事例が多い場合には、この「破綻可能性有」につながる連関度をより高く設定し、「正常」の事例が多く、「破綻可能性有」の事例が少ない場合には、「正常」につながる連関度を高くし、「破綻可能性有」につながる連関度を低く設定する。例えば中間ノード６１ａの例では、「破綻可能性有」と「正常」の出力にリンクしているが、以前の事例から「破綻可能性有」につながるｗ１３の連関度を７点に、「正常」につながるｗ１４の連関度を２点に設定している。

また、この図１９に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図１９に示す連関度の例で、ノード６１ｂは、参照用不動産情報Ｐ０１に対して、参照用情報（参照用消費行動情報）Ｐ３４の組み合わせのノードであり、「実質破綻」の連関度がｗ１５、「非常に高い」の連関度がｗ１６となっている。ノード６１ｃは、参照用不動産情報Ｐ０２に対して、参照用情報（参照用消費行動情報）Ｐ３５、Ｐ３７の組み合わせのノードであり、信用度の連関度がｗ１７、信用度の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから信用度判定のための探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに信用度の判定を行う企業から不動産情報に加え、消費行動情報を取得する。この消費行動情報は、上述した参照用消費行動情報に対応するものである。

このようにして新たに取得した不動産情報、消費行動情報に基づいて、最適な信用度を探索する。かかる場合には、予め取得した図１９（表１）に示す連関度を参照する。例えば、新たに取得した不動産情報がＰ０２と同一かこれに類似するものである場合であって、消費行動情報がＰ３７と同一かこれに類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、「実質破綻」がｗ１９、「要注意先」が連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い「実質破綻」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「要注意先」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

他の信用履歴情報、人脈情報、第一印象情報、性格情報、将来性情報、趣向情報、属性情報、地域情報、評判情報を取得する場合もこれらに応じた参照用情報を図１９に示すように参照用不動産情報との組み合わせで同様に学習用データを作っておく。そして、実際に取得した信用履歴情報、人脈情報、第一印象情報、性格情報、将来性情報、趣向情報、属性情報、地域情報、評判情報と、その個人が購入予定の不動産情報を取得し、予め取得した連関度を参照して同様に信用度を求めることができる。

同様に、法人への融資の場合には、専門家意見情報、取引情報、信用履歴情報、企業倫理情報、将来性情報、属性情報、業界情報、経営者情報、地域情報、評判情報を取得する場合もこれらに応じた参照用情報を図１９に示すように参照用不動産情報との組み合わせで同様に学習用データを作っておく。そして、実際に取得した専門家意見情報、取引情報、信用履歴情報、企業倫理情報、将来性情報、属性情報、業界情報、経営者情報、地域情報、評判情報と、その法人が購入予定の不動産情報を取得し、予め取得した連関度を参照して同様に信用度を求めることができる。

なお、不動産情報に加えて、取引情報、信用履歴情報、人脈情報、第一印象情報、性格情報、将来性情報、趣向情報、属性情報、地域情報、評判情報の何れか２以上を取得する場合には、その取得する２以上の情報に応じた、２以上の参照用情報を参照用不動産情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度からなる学習用データを作っておくことで、同様に信用度の解探索を行うことができる。かかる場合の具体的な方法は、第１実施形態の図１０の説明と同様であることから、かかる説明を引用することで以下での説明を省略する。

また、不動産情報に加えて、取引情報、信用履歴情報、人脈情報、第一印象情報、性格情報、将来性情報、趣向情報、属性情報、地域情報、評判情報の何れか１以上に加え、更に、第１実施形態における経営計画情報、知的資産情報、市況情報、外部環境情報を取得する場合も同様に、その取得する情報に応じた参照用経営計画情報、参照用知的資産情報、参照用市況情報、参照用外部環境情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度からなる学習用データを作っておくことで、同様に信用度の解探索を行うことができる。かかる場合の具体的な方法は、第１実施形態の図１０の説明と同様であることから、かかる説明を引用することで以下での説明を省略する。

更に、不動産情報に加えて、第１実施形態における経営計画情報、知的資産情報、市況情報、外部環境情報の何れか１以上を取得する場合も同様に、参照用不動産情報と、その取得する第１実施形態の情報に応じた参照用経営計画情報、参照用知的資産情報、参照用市況情報、参照用外部環境情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度からなる学習用データを作っておくことで、同様に信用度の解探索を行うことができる。

なお、不動産情報に加えて、専門家意見情報、信用履歴情報、企業倫理情報、将来性情報、属性情報、業界情報、経営者情報、地域情報、評判情報の何れか２以上を取得する場合には、その取得する２以上の情報に応じた、２以上の参照用情報を参照用不動産情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度からなる学習用データを作っておくことで、同様に信用度の解探索を行うことができる。かかる場合の具体的な方法は、第１実施形態の図１０の説明と同様であることから、かかる説明を引用することで以下での説明を省略する。

また、不動産情報に加えて、消費行動情報、取引情報、信用履歴情報、企業倫理情報、将来性情報、属性情報、業界情報、経営者情報、地域情報、評判情報の何れか１以上に加え、更に、第１実施形態における経営計画情報、知的資産情報、市況情報、外部環境情報を取得する場合も同様に、その取得する情報に応じた参照用経営計画情報、参照用知的資産情報、参照用市況情報、参照用外部環境情報との組み合わせと、当該組み合わせに対する信用度との３段階以上の連関度からなる学習用データを作っておくことで、同様に信用度の解探索を行うことができる。かかる場合の具体的な方法は、第１実施形態の図１０の説明と同様であることから、かかる説明を引用することで以下での説明を省略する。

なお、上述した実施の形態においては探索解として信用度を出力する場合を例にとり説明をしたが、探索解として、融資条件や融資の可否判断を出力する場合も同様である。即ち、参照用不動産情報と、上述した参照用情報との組み合わせと、当該組み合わせに対する融資条件又は融資の可否判断との３段階以上の連関度が設定しておくことで、同様に探索解を導出することができる。

図２０の例では、２種類以上の上記参照用情報の組み合わせの３段階以上の連関度を利用する例である。

探索装置２は、このような図２０に示す３段階以上の連関度を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、過去において撮像して取得した参照用画像情報のときにいかなる危険度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図２０に示す連関度を作り上げておく。

連関度を通じて求められる探索解（融資条件）は、更に、不動産情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

例えば、参照用不動産情報Ｎが、融資先の財務状況と比して非常に価格が高い不動産であり、参照用不動産情報Ｐが融資先の財務状況と比して非常に価格が低い不動産であるものとする。このとき、参照用不動産情報Nの場合、金融融資条件が非常に厳しい条件に対して、重み付けを上げる処理を行い、換言すれば金融融資条件を厳しくする処理を行うように予め設定しておく。これに対して、参照用不動産情報Nの場合、金融融資条件が非常に緩い条件に対して、重み付けを上げる処理を行い、換言すれば金融融資条件を緩くする処理を行うように予め設定しておく。

このように参照用不動産情報との間での設定の後、実際に取得した不動産情報が参照用不動産情報Nと同一又は類似する場合には、金融融資条件を厳しくする処理を行い、帰元すれば危険度の重み付けを下げる処理を行うこれに対して、実際に取得した不動産情報が参照用不動産情報Ｎと同一又は類似する場合には、金融融資条件が非常に緩い条件に対して、重み付けを上げる処理を行う。

他の探索解（信用度、融資の可否判断）を求める場合も同様に持して実現することができる。

また本発明は、図２１に示すように参照用情報Ｕと参照用情報Ｖという２種類以上の情報の組み合わせの連関度に基づいて各信用度を判別するものである。この参照用情報Ｕが参照用不動産情報であり、参照用情報Ｖが図１９に示す参照用情報Ｐ３４〜３７であるものとする。或いは、参照用情報Ｕが図１９に示す参照用情報Ｐ３４〜３７であり、参照用情報Ｖが、参照用不動産情報であるものとする。
このとき、図２１に示すように、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力と関連付けられていてもよい。例えば、参照用情報Ｕについて、出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力を探索するようにしてもよい。

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に融資を検討している企業の信用度の探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。

また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０〜１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

このような３段階以上の数値で表される連関度に基づいてより信用度に関する信憑性が高く、誤認の低い信用度を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。

これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また市況情報に加え、イベント情報、外部環境情報、家計情報、不動産情報、専門家意見情報、自然環境情報に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。

つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

１不動産融資条件提案システム
２探索装置
２１内部バス
２３表示部
２４制御部
２５操作部
２６通信部
２７推定部
２８記憶部
６１ノード

Claims

不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の消費行動情報と、当該購入予定者が購入予定の不動産に関する不動産情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の消費行動に関する参照用消費行動情報と、上記参照用財務情報を取得した購入予定者が購入予定の不動産に関する参照用不動産情報とを有する組み合わせと、当該購入予定者に対して提案された融資条件との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した消費行動情報に応じた参照用消費行動情報と取得した不動産情報に応じた参照用不動産情報とを有する組み合わせと、上記融資条件との３段階以上の連関度に基づき、融資条件を提案する提案ステップとをコンピュータに実行させること
を特徴とする不動産融資条件提案プログラム。
不動産の購入予定者に対する融資の可否を判断する不動産融資可否判断プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の消費行動情報と、当該購入予定者が購入予定の不動産に関する不動産情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の消費行動に関する参照用消費行動情報と、上記参照用財務情報を取得した購入予定者が購入予定の不動産に関する参照用不動産情報とを有する組み合わせと、当該購入予定者に対して判断された融資の可否判断との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した消費行動情報に応じた参照用消費行動情報と取得した不動産情報に応じた参照用不動産情報とを有する組み合わせと、上記融資の可否判断との３段階以上の連関度に基づき、融資の可否を判断する判断ステップとをコンピュータに実行させること
を特徴とする不動産融資可否判断プログラム。
不動産の購入予定者に対する融資の可否を判断する不動産融資可否判断プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の消費行動情報と、当該購入予定者が購入予定の不動産に関する不動産情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の消費行動に関する参照用消費行動情報と、上記参照用財務情報を取得した購入予定者が購入予定の不動産に関する参照用不動産情報とを有する組み合わせと、当該購入予定者に対して判断された信用度との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した消費行動情報に応じた参照用消費行動情報と取得した不動産情報に応じた参照用不動産情報とを有する組み合わせと、上記融資の可否判断との３段階以上の連関度に基づき、信用度を判断する判断ステップとをコンピュータに実行させること
を特徴とする不動産融資可否判断プログラム。
不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、
新たに融資条件を提案する購入予定者の顔画像又は音声からなる第一印象情報と、当該購入予定者が購入予定の不動産に関する不動産情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の顔画像又は音声からなる参照用第一印象情報と、上記参照用財務情報を取得した購入予定者が購入予定の不動産に関する参照用不動産情報とを有する組み合わせと、当該購入予定者に対して提案された融資条件との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した第一印象情報に応じた参照用第一印象情報と取得した不動産情報に応じた参照用不動産情報とを有する組み合わせと、上記融資条件との３段階以上の連関度に基づき、融資条件を提案する提案ステップとをコンピュータに実行させること
を特徴とする不動産融資条件提案プログラム。
不動産の購入予定者に対する融資の可否を判断する不動産融資可否判断プログラムにおいて、
新たに融資条件を提案する購入予定者の顔画像又は音声からなる第一印象情報と、当該購入予定者が購入予定の不動産に関する不動産情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の顔画像又は音声からなる参照用第一印象情報と、上記参照用財務情報を取得した購入予定者が購入予定の不動産に関する参照用不動産情報とを有する組み合わせと、当該購入予定者に対して判断された融資の可否判断との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した第一印象情報に応じた参照用第一印象情報と取得した不動産情報に応じた参照用不動産情報とを有する組み合わせと、上記融資の可否判断との３段階以上の連関度に基づき、融資の可否を判断する判断ステップとをコンピュータに実行させること
を特徴とする不動産融資可否判断プログラム。
不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、
新たに融資条件を提案する購入予定者の取引履歴に関する取引情報と、当該購入予定者が購入予定の不動産に関する不動産情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の取引履歴に関する参照用取引情報と、上記参照用財務情報を取得した購入予定者が購入予定の不動産に関する参照用不動産情報とを有する組み合わせと、当該購入予定者に対して提案された融資条件との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した取引情報に応じた参照用取引情報と取得した不動産情報に応じた参照用不動産情報とを有する組み合わせと、上記融資条件との３段階以上の連関度に基づき、融資条件を提案する提案ステップとをコンピュータに実行させること
を特徴とする不動産融資条件提案プログラム。
不動産の購入予定者に対する融資の可否を判断する不動産融資可否判断プログラムにおいて、
新たに融資条件を提案する購入予定者の取引履歴に関する取引情報と、当該購入予定者が購入予定の不動産に関する不動産情報とを取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の取引履歴に関する参照用取引情報と、上記参照用財務情報を取得した購入予定者が購入予定の不動産に関する参照用不動産情報とを有する組み合わせと、当該購入予定者に対して判断された融資の可否判断との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した取引情報に応じた参照用取引情報と取得した不動産情報に応じた参照用不動産情報とを有する組み合わせと、上記融資の可否判断との３段階以上の連関度に基づき、融資の可否を判断する判断ステップとをコンピュータに実行させること
を特徴とする不動産融資可否判断プログラム。
不動産の購入予定者に対する融資条件を提案する不動産融資条件提案プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の財務情報と、当該購入予定者の最近の消費行動に関する消費行動情報と、当該購入予定者が購入予定の不動産に関する不動産情報を取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の参照用財務情報と、当該購入予定者の最近の消費行動に関する参照用消費行動情報とを有する組み合わせと、当該購入予定者に対して提案された融資条件との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得した消費行動情報に応じた参照用消費行動情報とを有する組み合わせを利用するとともに、過去の不動産の購入予定者が購入予定の不動産に関する参照用不動産情報を参照し、上記情報取得ステップにおいて取得した不動産情報に基づき、融資条件を提案する提案ステップとをコンピュータに実行させること
を特徴とする不動産融資条件提案プログラム。
不動産の購入予定者に対する融資の可否を判断する不動産融資可否判断プログラムにおいて、
新たに融資条件を提案する購入予定者の最近の財務情報と、当該購入予定者の最近の消費行動に関する消費行動情報と、当該購入予定者が購入予定の不動産に関する不動産情報を取得する情報取得ステップと、
予め取得した過去の不動産の購入予定者の参照用財務情報と、当該購入予定者の最近の消費行動に関する参照用消費行動情報とを有する組み合わせと、当該購入予定者に対して判断された融資の可否判断との３段階以上の連関度を利用し、上記情報取得ステップにおいて取得した財務情報に応じた参照用財務情報と取得した消費行動情報に応じた参照用消費行動情報とを有する組み合わせを利用するとともに、過去の不動産の購入予定者が購入予定の不動産に関する参照用不動産情報を参照し、上記情報取得ステップにおいて取得した不動産情報に基づき、融資の可否を判断する判断ステップとをコンピュータに実行させること
を特徴とする不動産融資可否判断プログラム。