JP7112772B2 - 売却価格予測装置 - Google Patents

売却価格予測装置 Download PDF

Info

Publication number
JP7112772B2
JP7112772B2 JP2020559683A JP2020559683A JP7112772B2 JP 7112772 B2 JP7112772 B2 JP 7112772B2 JP 2020559683 A JP2020559683 A JP 2020559683A JP 2020559683 A JP2020559683 A JP 2020559683A JP 7112772 B2 JP7112772 B2 JP 7112772B2
Authority
JP
Japan
Prior art keywords
sale
house
information
price
learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2020559683A
Other languages
English (en)
Other versions
JPWO2020121542A1 (ja
Inventor
栄一 遠藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WONDROUS CO., LTD.
Original Assignee
WONDROUS CO., LTD.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by WONDROUS CO., LTD. filed Critical WONDROUS CO., LTD.
Publication of JPWO2020121542A1 publication Critical patent/JPWO2020121542A1/ja
Application granted granted Critical
Publication of JP7112772B2 publication Critical patent/JP7112772B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate

Landscapes

  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Technology Law (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

評価対象住宅が不動産売却手続（例えば、司法競売、民間競売、任意売却等）に掛けられたと想定するとき、当該住宅の売却価格の予測を行う技術に関する。
金融機関（例えば、銀行）へ住宅ローンの融資申込があった場合、金融機関は、申込者の属性等から推定される貸倒率や返済が滞ったときに行う担保売却による債権回収見込額等の諸条件を考慮して、融資実行の可否や融資金額・融資利率・保証料等の融資条件を判断する。
ここで金融機関は、貸出債権の返済が滞った場合、担保物件を売却し、売却金額の全部又は一部を債権の回収に充当することができるため、未だ延滞の起こっていない時点・物件において、将来における評価対象住宅の売却金額を精緻に予測することは、融資可否、融資条件を判断する上で非常に重要なことである。
ところで、特許文献１では、金融機関による融資の担保物件が自動車である場合、競売履歴データに基づいて、担保車輌の資産価値を算出する技術が提案されている。
特開２００５－２０８７０３号公報
しかしながら、自動車と住宅では担保物件としての特徴・性質が異なり、また、債権回収目的で売却される住宅数が少ないため、上記の従来技術を債権回収のための不動産売却手続における売却価格予測に適用できないという問題点があった。
そこで本発明では、上記問題点を鑑み、未だ債権回収目的の売却対象となっていない住宅について、当該対象になったと想定される場合の売却価格を精度よく予測する売却価格予測装置を提供することを目的とする。
開示する売却価格予測装置の一形態は、債権回収のための不動産売却手続に掛けられた売却住宅の前記不動産売却手続における売却価格、並びに、前記売却住宅と属性が同一である又は類似すると共に、市場において取引された売買住宅の所在地、面積、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む一組の学習用情報を複数組記憶する学習用情報記憶手段と、前記一組の学習用情報について、前記売却価格を目的変数とし、前記売買住宅に関する情報における前記所在地、面積、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む情報それぞれを説明変数とするときの入出力関係を学習させた関数近似器に対し、一の試算対象住宅に関する前記所在地、面積及び売買価格、並びに、複数組の前記学習用情報のうち、前記一の試算対象住宅に関する所在地又は属性に基づき関連付けられる前記一組の学習用情報における前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することによって、前記一の試算対象住宅が前記不動産売却手続に掛けられたと想定する場合の前記売却価格の予測値を算出する売却価格予測手段と、を有することを特徴とする。
開示する売却価格予測装置の一形態は、債権回収のための不動産売却手続に掛けられた売却住宅の前記不動産売却手続における売却価格、並びに、前記売却住宅と属性が同一である又は類似すると共に、市場において取引された売買住宅の所在地、所在階、専有面積、主要開口部の方位、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む一組の学習用情報を複数組記憶する学習用情報記憶手段と、前記一組の学習用情報について、前記売却価格を目的変数とし、前記売買住宅に関する情報における前記所在地、所在階、専有面積、主要開口部の方位、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む情報それぞれを説明変数とするときの入出力関係を学習させた関数近似器に対し、一の試算対象住宅に関する前記所在地、所在階、専有面積、主要開口部の方位及び売買価格、並びに、複数組の前記学習用情報のうち、前記一の試算対象住宅に関する所在地又は属性に基づき関連付けられる前記一組の学習用情報における前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することによって、前記一の試算対象住宅が前記不動産売却手続に掛けられたと想定する場合の前記売却価格の予測値を算出する売却価格予測手段と、を有することを特徴とする。
開示する売却価格予測装置は、未だ債権回収目的の売却対象となっていない住宅について、当該対象になったと想定される場合の売却価格を精度よく予測する。
本実施の形態に係る売却価格予測装置の概要を示す図である。 本実施の形態に係る売却価格予測装置の機能ブロック図である。 本実施の形態に係る売却住宅情報記憶手段の一例（項目例）を示す図である。 本実施の形態に係る売却住宅情報記憶手段の一例（データ例）を示す図である。 本実施の形態に係る売買住宅情報記憶手段の一例（項目例）を示す図である。 本実施の形態に係る売買住宅情報記憶手段の一例（データ例）を示す図である。 本実施の形態に係る統計情報記憶手段の一例を示す図である。 本実施の形態に係る地価情報記憶手段の一例を示す図である。 本実施の形態に係る目的変数・説明変数として採用した項目の一例を示す図である。 本実施の形態に係る売却価格予測装置のハードウエア構成例を示す図である。 本実施の形態に係る売却価格予測装置による機械学習処理の流れを示すフローチャートである。 本実施の形態に係る売却価格予測装置による売却価格予測処理の流れを示すフローチャートである。
図面を参照しながら、本発明を実施するための形態について説明する。
（本実施の形態に係る売却価格予測装置の動作原理）
図１乃至９を用いて、本実施の形態に係る売却価格予測装置（以下、単に「本装置」という。）１００の動作原理について説明する。図１は、本装置１００と周辺装置との関わり方を説明する図であり、図２は、本装置１００の機能ブロック図である。図３乃至９は、本装置１００が有する各要素を説明するための図である。
本装置１００は、未だ債権回収目的の不動産売却手続２１０に掛けられていない住宅について、将来、不動産売却手続２１０に掛けられた場合の売却価格を予測する。ここで、債権回収目的の不動産売却手続２１０とは、司法競売２２０、民間競売、任意売却等、債権回収のために不動産を売却する手続全般を指すものであるが、以下では、説明の都合上、単に「競売」という。ここで、売買価格３７０とは、査定価格、売出価格、成約見込価格、成約価格、等、不動産売買取引の一連の流れにおいて発生する当該不動産を評価の対象とする価格概念全般を指すものであるが、以下では、説明の都合上、単に「売買価格」という。
一戸建てやマンション（集合住宅）等の住宅（住戸）は、所在地、所在階、面積（土地面積、建物面積、専有面積等）、主要開口部の方位等様々な特徴を有し、その各要素に基づき個々の住宅の資産的価値が決定される。また、市場において一般に取引される住宅３１０の売買価格３７０と競売２１０において売却される住宅２３０の売却価格２９０とでは、価格形成のメカニズムが異なり、両者の間には乖離が有る。一方、過去の類似物件に関する競売結果から将来の売却価格を予測できるほど、競売２１０に掛けられる住宅の数は、多くない状況である。つまり、未だ競売２１０に掛けられていない住宅に関し、将来の競売２１０における売却価格２９０を予測することはできなかった。
そこで本装置１００は、事例数が乏しい競売２１０による売却物件２３０に関する履歴情報と、事例数が豊富な市場取引される住宅３１０に関する履歴情報とを、所定の規則に基づき紐付け、学習可能な関数近似器４１０に学習させるデータセット３８０を生成する。そして、本装置１００は、学習用データセット３８０において、競売２１０における売却価格２９０を目的変数とする一方、売買住宅３１０の所在地３２０、所在階３４０、専有面積３５０、主要開口部の方位３６０等の各々を説明変数とするときの入出力関係を関数近似器４１０に学習させる。そのようにして本装置１００は、未だ債権回収目的による売却対象となっていない住宅について、当該対象になったと想定される場合の売却価格を予測する。
また、本装置１００は、学習済みの関数近似器４１０に入力する説明変数の一部を学習用データセット３８０から抽出することによって、ユーザーによるデータ入力の手間を省力化させると共に、売却価格の予測精度を向上させる。
図１で示すように、本装置１００は、通信ネットワーク４７０を介して、ユーザー４５０が操作するユーザー端末４６０と接続される。通信ネットワーク４７０は、有線であっても良く、無線であっても良い。また、ユーザー端末４６０は、デスクトップ型又はノート型のパーソナルコンピューターであっても良く、スマートフォン・タブレットの様な携帯情報端末であっても良い。
図２で示すように、本装置１００は、売却住宅情報記憶手段１１０、売買住宅情報記憶手段１２０、統計情報記憶手段１３０、地価情報記憶手段１４０、学習用情報生成手段１５０、入出力関係学習手段１６０、売却価格予測手段１７０、学習用情報記憶手段１８０を有する。
売却住宅情報記憶手段１１０は、競売２１０に掛けられた住宅（売却住宅）２３０の所在地２４０、マンション名称２５０、所在階２６０、専有面積２７０、主要開口部の方位２８０、競売２１０における売却価格２９０、管理費滞納額に関する情報３００を含む売却住宅２３０に関する情報を物件毎に記憶する。図３で示すように、売却住宅情報記憶手段１１０は、これら以外にも、売却住宅２３０に関する種々の項目の情報を記憶する形態としても良い。
図４で示すように、所在地２４０は、例えば、“八王子市千人町二丁目２３番地３２”、“横浜市保土ヶ谷区権太坂一丁目２８７番地６”等の情報である。また、所在階２６０は、例えば、“２階”、“５階”、売却価格２９０は、“２５，７００，１０８（円）”、“１７，２００，９０３（円）”等の情報である。
なお、売却住宅情報記憶手段１１０に記憶される情報は、例えば、不動産競売物件情報サイト（http://bit.sikkou.jp/app/top/pt001/h01/）から取得可能である。また、当サイトから取得した情報は、情報整理・特殊性排除のため、事件番号：担保不動産競売事件（ケ事件）、落札者属性：個人を除外、種別：持分売り、売却外物件ありを除外、種類（登記）：居宅、売却価格：１００万円以下、１億円以上を除外、入札者数：３件以下を除外、等の観点によるデータクレンジングを施されることが好適である。
売買住宅情報記憶手段１２０は、市場において取引された住宅（売買住宅）３１０の所在地３２０、マンション名称３３０、所在階３４０、専有面積３５０、主要開口部の方位３６０、売買価格３７０を含む売買住宅３１０に関する情報を物件毎に記憶する。図５で示すように、売買住宅情報記憶手段１２０は、これら以外にも、売買住宅３１０に関する種々の項目の情報を記憶する形態としても良い。
図６で示すように、マンション名称３３０は、例えば、“プラウド西八王子”、“グランシティ保土ヶ谷”等の情報である。また、専有面積３５０は、例えば、“７２.７２ｍ２”、“７５.３４ｍ２”、主要開口部の方位３６０は、“南東”等の情報である。
なお、売買住宅情報記憶手段１２０に記憶される情報は、インターネット上の各種不動産情報サイトから取得可能である。また、サイトから取得した情報は、情報整理・特殊性排除のため、売買価格：１００万円以下、１億円以上を除外、敷地利用権：所有権、等の観点によるデータクレンジングを施されることが好適である。
統計情報記憶手段１３０は、地域毎の外国人比率、賃貸用住宅の空室率、住み易さの度合いのうち何れか一つ以上を含む地域の住環境に関する統計情報４３０を記憶する。統計情報記憶手段１３０は、これら以外にも、統計情報４３０に関する種々の項目の情報を記憶する形態としても良い。
図７で示すように、統計情報４３０の一例である地域毎の外国人比率は、例えば、“東京都八王子市：１．４５（％）”、“神奈川県横浜市保土ヶ谷区：１．８４（％）”等の情報である。また、統計情報４３０の一例である賃貸用住宅の空室率は、例えば、“東京都八王子市：１６．８（％）”、“神奈川県横浜市保土ヶ谷区：１９．３（％）”、住みやすさは、“東京都八王子市：３．９６”、“神奈川県横浜市保土ヶ谷区：３．２４”等の情報である。
なお、統計情報記憶手段１３０に記憶される情報は、例えば、政府統計の総合窓口（https://www.e-stat.go.jp）から取得可能である。
地価情報記憶手段１４０は、地域毎の公的な地価情報４４０を記憶する。公的な地価情報４４０とは、地価公示法に基づく公示価格、国土利用計画法に基づく基準地標準価格、相続税法に基づく相続税路線価、地方税法に基づく固定資産税評価額を含むものである。
図８で示すように、地価情報４４０は、例えば、“東京都八王子市上野町１０９番２１：１８７，０００（円／ｍ２）”、“神奈川県横浜市保土ケ谷区初音ケ丘１４１番１１：１７４，０００（円／ｍ２）”等の情報である。
なお、地価情報記憶手段１４０に記憶される情報は、例えば、土地総合情報システム（国土交通省地価公示データ）サイト（http://www.land.mlit.go.jp/webland/）から取得可能である。
学習用情報記憶手段１８０は、後述する学習用情報生成手段１５０によって生成される複数組の学習用データセット３８０を記憶する。
学習用情報生成手段１５０は、売却住宅２３０に関する情報と、対象の売却住宅２３０と属性が同一である又は類似する売買住宅３１０に関する情報と、を一組の学習用情報３８０として紐付ける。売却住宅２３０に属性が類似する売買住宅３１０とは、住宅２３０、３１０が集合住宅における住戸である場合、売却住宅２３０と建物が一致し、かつ、所在階、専有面積、主要開口部の方位、バルコニー面積等各住宅の特徴を表す情報が所定の誤差内にある売買住宅をいう。
なお、建物が一致するとは、所在地が同一であるか、又は、所在地の誤記を考慮し、所在地の主要部分が一致し、かつ、マンション名称が一致することをいう。また、所定の誤差内とは、例えば、所在階：差異が３階以内、専有面積：差異が１５％以内、主要開口部の方位：差異が９０度以内等の条件をいう。なお、売却住宅２３０に関する情報より売買住宅３１０に関する情報の方が多いため、売却住宅２３０に関する情報１つに複数の売買住宅３１０に関する情報が紐付けられ、売却住宅２３０に関する情報１つについて、複数組の学習用情報３８０が生成されても良い。
図４及び６で示すように、学習用情報生成手段１５０は、所在地（東京都八王子市千人町２丁目）・マンション名称（プラウド西八王子）の条件が合致し、所在階：同じ、専有面積：誤差１２．２％、主要開口部の方位：同じであるため、売却住宅２３０：物件１の情報と売買住宅３１０：物件１の情報とを一組の学習用情報３８０として紐付ける。
なお、学習用情報生成手段１５０が生成する学習用情報３８０において、紐付けられる売却住宅２３０と売買住宅３１０とは、通常、異なる住宅であるが、同一の住宅であっても問題は無い。
学習用情報生成手段１５０は、売却住宅２３０に関する情報と、対象の売却住宅２３０と所在地が合致する地域に関する統計情報４３０と、を一組の学習用情報３８０として紐付ける。
図４及び７で示すように、学習用情報生成手段１５０は、売却住宅２３０：物件１の情報と、所在地（東京都八王子市）が合致する統計情報４３０：例１の情報と、を一組の学習用情報３８０として紐付ける。
学習用情報生成手段１５０は、売却住宅２３０に関する情報と、対象の売却住宅２３０と最も近い場所に関する地価情報４４０と、を一組の学習用情報３８０として紐付ける。対象の売却住宅２３０と最も近い場所は、対象の売却住宅２３０の緯度・経度と各地価情報４４０の算出地点の緯度・経度とを、三平方の定理又はヒュベニの公式を使用して比較し特定する。
図４及び８で示すように、学習用情報生成手段１５０は、所在地（八王子市千人町二丁目２３番地３２）である売却住宅２３０：物件１に関する情報と、そこに最も近い地点（東京都八王子市上野町１０９番２１）の地価情報４４０：１８７，０００円／ｍ２と、を一組の学習用情報３８０として紐付ける。
学習用情報生成手段１５０は、生成した学習用情報３８０について、売却住宅２３０に関する情報における“競売年月”が売買住宅３１０に関する情報における“売買年月”よりも遅いものを除外する形態としても良い。競売で取得した住宅をリニューアルした後、一般の取引市場において売却するという不動産業者の行動原則に合致させるためである。
学習用情報生成手段１５０は、一組の学習用情報３８０において、同一組内の複数の情報を組み合わせることによって、新たな項目の情報を後述の目的変数３９０又は説明変数４００として生成する形態としても良い。
図３及び４で示すように、売却住宅２３０に関する情報が、対象住宅の管理費滞納額に関する情報（滞納額、遅延損害金）３００を含むときを想定する。そのとき、学習用情報生成手段１５０は、各学習用情報３８０について、売却価格２９０に管理費滞納額等３００を加算した金額を後述する目的変数３９０として設定する形態であっても良い。また、学習用情報生成手段１５０は、一組の学習用情報３８０について、管理費滞納額等３００÷売却価格２９０、管理費滞納額等３００÷売買価格３７０、売買価格３７０－管理費滞納額等３００、又は、管理費滞納額等３００そのものを後述する説明変数４００として設定する形態であっても良い。管理費滞納額等３００は、競売落札者が返済義務を負うものであり、それを目的変数（売却価格２９０）３９０又は説明変数４００に反映させることが妥当と考えられるためである。
学習用情報生成手段１５０は、各学習用情報３８０について、所在階２６０・所在階３４０間の差異の大きさ、専有面積２７０・専有面積３５０間の差異の大きさを算出し、各組の学習用情報３８０における説明変数４００に採用する情報として紐付ける形態としても良い。これらは、後述する入出力関係学習手段１６０によって学習させる入出力関係に影響を与えるものだからである。
入出力関係学習手段１６０は、各々の学習用情報３８０について、売却価格２９０を目的変数３９０とし、売買住宅３１０に関する情報における所在地３２０、所在階３４０、専有面積３５０、主要開口部の方位３６０及び売買価格３７０を含む情報それぞれを説明変数４００とするときの入出力関係を関数近似器４１０に学習させる。なお、売却価格２９０は、売却価格２９０に管理費滞納額等３００を加算して修正した金額を含むものとする。
本装置１００の目的が売却価格２９０の算出であるため、売却価格２９０を目的変数３９０とする限り、説明変数４００として採用する項目については適宜選定することができる。図９において、目的変数３９０・説明変数４００として採用する項目の一例を示す。図９で示すように、説明変数４００として、例えば、所在地３２０、所在地３２０の用途地域、売買住宅３１０が属する集合住宅の構造・階建て・総戸数・駅からの距離・バス利用の有無、売買価格３７０、専有面積３５０、売買住宅３１０の間取り・バルコニー面積・主要開口部の方位・所在階、滞納額の大きさ・程度３００、売却住宅２３０の管理費、競売にかけられた時点の築年数（競売年月－新築年月）、“売買年月－競売年月”（住宅が売買された時期と売却された時期とのズレを勘案する指標）、公示価格４４０、公示価格の算定の基礎となる最寄りの標準地から売買住宅３１０が属する集合住宅までの最短距離、売買住宅３１０が立地する地域の統計情報４３０（外国人比率、住みやすさ、賃貸用物件の空室率）を採用する。
関数近似器４１０は、線形モデル、非線形モデルの何れを採用しても良く、非線形モデルの一例としては、サポートベクターマシーン（Support Vector Machine）、ランダムフォレスト（Random Forest）、ＸＧＢｏｏｓｔ、ニューラルネットワーク（Neural Network）等が挙げられる。機械学習アルゴリズムは、その挙動を制御するための１以上のハイパーパラメーターをもつことがある。ハイパーパラメーターは、モデルに含まれる係数（パラメーター）と異なり機械学習を通じて値が決定されるものではなく、機械学習アルゴリズムの実行前に値が与えられるものである。ハイパーパラメーターの例として、ランダムフォレストにおける決定木の生成本数、回帰分析のフィッティング精度、モデルに含まれる多項式の次数などが挙げられる。ハイパーパラメーターの値として、固定値が使用されることもあるし、ユーザーから指定された値が使用されることもある。生成されるモデルの予測性能は、ハイパーパラメーターの値にも依存する。機械学習アルゴリズムとサンプルサイズが同じでも、ハイパーパラメーターの値が変わるとモデルの予測性能も変化し得る。機械学習アルゴリズムの種類が同じでハイパーパラメーターの値が異なる場合、異なる機械学習アルゴリズムを使用したものとして取り扱っても良い。
本実施の形態において採用するランダムフォレストは、決定木をベースとした予測アルゴリズムである。決定木ベースの予測モデルを用いることで、最終的なモデルの説明を容易にできる、というメリットがある。逆に、それ以外のモデルに関しては、なぜモデルがこの売却価格を予測したのか、ということに対して説明が困難になる場合が多い。ランダムフォレストにおいては、一連の質問に基づいて決定を下していくため、データを分類していくモデルであると考えることができる。ランダムフォレストは、決定木モデルの集団学習により、高精度な予測モデルを行う手法となっている。
売却価格予測手段１７０は、入出力関係学習手段１６０による学習済みの関数近似器４１０に対し、一の試算対象住宅に関する所在地、所在階、専有面積、主要開口部の方位及び売買価格を含む説明変数４００に関する情報を入力する。それによって、売却価格予測手段１７０は、関数近似器４１０の出力として、試算対象住宅が競売２１０に掛けられたと想定する場合の売却価格の予測値を算出する。
売却価格予測手段１７０は、ユーザー端末４６０から試算対象住宅に関する所在地、所在階、専有面積、主要開口部の方位及び売買価格を含む説明変数４００として採用した項目に関する情報を受け付け、受け付けた情報を説明変数４００として学習済みの関数近似器４１０に対し入力する。
売却価格予測手段１７０は、ユーザー端末４６０から試算対象住宅の所在地、売買年月（購入日）、売買価格、間取り、所在階、専有面積、バルコニー面積、主要開口部の方位、管理費等の専有部分に関する情報を受け付ける。次に、売却価格予測手段１７０は、受け付けた試算対象住宅の所在地と合致する所在地３２０を含む学習用情報３８０を特定する。なお、所在地が合致するとは、比較する所在地どうしが同一であるか、又は、所在地の誤記を考慮し、比較する所在地の主要部分が一致し、かつ、マンション名称が一致することをいう。
さらに、売却価格予測手段１７０は、特定した学習用情報３８０から説明変数４００として採用した項目に関する情報（ユーザー端末４６０から受け付けた試算対象住宅の専有部分に関する情報を除く）を抽出する。図９で示すように、売却価格予測手段１７０は、例えば、特定した一組の学習用情報３８０から、用途地域、構造、階建て、総戸数、交通（駅徒歩）、交通（バス便）、沿線名、新築年月、競売年月、公示価格４４０、外国人比率４３０、住みやすさ４３０、当該エリアの空室率４３０に関する情報を抽出する。
そして、売却価格予測手段１７０は、ユーザー端末４６０から受け付けた情報及び学習用情報３８０から抽出した情報を、説明変数４００に関する情報として関数近似器４１０に対し入力する。そうすることによって、ユーザー４５０の本装置１００へのデータ入力の手間が省力化されると共に、関数近似器４１０の学習に使用した学習用情報３８０を使用するため、試算対象住宅に係る売却価格の予測精度が向上する。
売却価格予測手段１７０は、ユーザー端末４６０から試算対象住宅の所在地、売買年月（購入日）、売買価格、間取り、所在階、専有面積、バルコニー面積、主要開口部の方位、管理費等の専有部分に関する情報を受け付ける。次に、売却価格予測手段１７０は、受け付けた試算対象住宅の所在地から所在地３２０が所定距離内にあり、かつ（又は）、試算対象住宅と属性が類似する売買住宅３１０に関する学習用情報３８０を特定する。ここで、住宅の属性が類似するとは、比較する住宅どうしの所在階、専有面積、主要開口部の方位、売買価格、間取り及びバルコニー面積を含む比較対象住宅の特徴を表す情報、並びに、立地する用途地域、構造、階建て、総戸数、交通アクセス及び築年数を含む比較対象住宅（が属するマンション全体）の特徴を表す情報のうち何れか一つ以上の観点において、同一であるか、又は、差異があっても、その差異が所定の範囲内にあることをいう。
さらに、売却価格予測手段１７０は、特定した一組の学習用情報３８０から説明変数４００として採用した項目に関する情報（ユーザー端末４６０から受け付けた試算対象住宅の専有部分に関する情報を除く）を抽出する。図９で示すように、売却価格予測手段１７０は、例えば、一組の学習用情報３８０から、用途地域、構造、階建て、総戸数、交通（駅徒歩）、交通（バス便）、沿線名、新築年月、競売年月、公示価格４４０、外国人比率４３０、住みやすさ４３０、当該エリアの空室率４３０に関する情報を抽出する。
そして、売却価格予測手段１７０は、ユーザー端末４６０から受け付けた情報及び学習用情報３８０から抽出した情報を、説明変数４００に関する情報として関数近似器４１０に対し入力する。そうすることによって、ユーザー４５０による本装置１００へのデータ入力の手間が省力化されると共に、過去に競売に掛けられた物件が無いマンション（集合住宅）の住宅に関しても売却価格の精緻な予測を行うことができる。
なお、売却価格予測手段１７０は、複数組の学習用情報３８０を特定し、各組の学習用情報３８０について上記処理を行った後、各処理において算出された複数の売却価格予測値の平均値や中央値を、試算対象住宅に係る売却価格の予測値とする形態としても良い。
売却価格予測手段１７０は、ユーザー端末４６０から予測対象日を受け付け、説明変数４００である競売に掛けられた時点の築年数について、予測対象日から“学習用情報３８０に含まれる新築年月”を控除して算出し、関数近似器４１０に対し入力する形態としても良い。
上記のような動作原理に基づいて、本装置１００は、未だ債権回収目的の売却対象となっていない住宅について、当該対象になったと想定される場合の売却価格を予測する。
（本実施の形態に係る売却価格予測装置のハードウエア構成）
図１０を用いて、本装置１００のハードウエア構成例について説明する。図１０は、本装置１００のハードウエア構成の一例を示す図である。図１０で示すように、本装置１００は、ＣＰＵ（Central Processing Unit）５１０、ＲＯＭ（Read-Only Memory）５２０、ＲＡＭ（Random Access Memory）５３０、補助記憶装置５４０、通信Ｉ／Ｆ５５０、入力装置５６０、表示装置５７０、記録媒体Ｉ／Ｆ５８０を有する。
ＣＰＵ５１０は、ＲＯＭ５２０に記憶されたプログラムを実行する装置であり、ＲＡＭ５３０に展開（ロード）されたデータを、プログラムの命令に従って演算処理し、本装置１００全体を制御する。ＲＯＭ５２０は、ＣＰＵ５１０が実行するプログラムやデータを記憶している。ＲＡＭ５３０は、ＣＰＵ５１０でＲＯＭ５２０に記憶されたプログラムを実行する際に、実行するプログラムやデータが展開（ロード）され、演算の間、演算データを一時的に保持する。
補助記憶装置５４０は、基本ソフトウエアであるＯＳ（Operating System）や本実施の形態に係るアプリケーションプログラムなどを、関連するデータとともに記憶する装置である。補助記憶装置５４０は、記憶手段１１０、１２０、１３０、１４０、１８０を含み、例えば、ＨＤＤ（Hard Disc Drive）やフラッシュメモリなどである。
通信Ｉ／Ｆ５５０は、有線・無線ＬＡＮ（Local Area Network）、インターネットなどの通信ネットワーク４７０に接続し、通信機能を提供する他装置４６０とデータの授受を行うためのインターフェースである。
入力装置５６０は、キーボードなど本装置１００にデータ入力を行うための装置である。表示装置（出力装置）５７０は、ＬＣＤ（Liquid Crystal Display）等で構成される装置であり、本装置１００が有する機能をユーザーが利用する際や各種設定を行う際のユーザーインターフェースとして機能する装置である。記録媒体Ｉ／Ｆ５８０は、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＵＳＢメモリなどの記録媒体５９０とデータの送受信を行うためのインターフェースである。
本装置１００が有する各手段は、ＣＰＵ５１０が、ＲＯＭ５２０又は補助記憶装置５４０に記憶された各手段に対応するプログラムを実行することにより実現される形態としても良い。また、本装置１００が有する各手段は、当該各手段に関する処理をハードウエアとして実現される形態としても良い。また、通信Ｉ／Ｆ５５０を介して外部サーバー装置から本発明に係るプログラムを読み込ませたり、記録媒体Ｉ／Ｆ５８０を介して記録媒体５９０から本発明に係るプログラムを読み込ませたりして、本装置１００に当該プログラムを実行させる形態としても良い。
（本実施の形態に係る売却価格予測装置による処理例）
（１）本装置１００による機械学習処理
図１１を用いて、本装置による機械学習処理の流れを説明する。図１１は、本装置１００による機械学習処理の流れを示すフローチャートである。
Ｓ１０で学習用情報生成手段１５０が、売却住宅情報記憶手段１１０に記憶される売却住宅２３０に関する情報と、売買住宅情報記憶手段１２０に記憶され、対象の売却住宅２３０と属性が同一である又は類似する売買住宅３１０に関する情報と、を一組の学習用情報３８０として紐付ける。
売却住宅２３０に属性が類似する売買住宅３１０とは、住宅２３０、３１０が集合住宅における住戸である場合、売却住宅２３０と建物が一致し、かつ、所在階、専有面積、主要開口部の方位、バルコニー面積等マンション全体の特徴を表す情報が所定の誤差内にある売買住宅をいう。
なお、建物が一致するとは、所在地が同一であるか、又は、所在地の誤記を考慮し、所在地の主要部分が一致し、かつ、マンション名称が一致することをいう。また、所定の誤差内とは、例えば、所在階：差異が３階以内、専有面積：差異が１５％以内、主要開口部の方位：差異が９０度以内等の条件をいう。なお、売却住宅２３０に関する情報より売買住宅３１０に関する情報の方が多いため、売却住宅２３０に関する情報１つに複数の売買住宅３１０に関する情報が紐付けられ、売却住宅２３０に関する情報１つについて、複数組の学習用情報３８０が生成されても良い。
図４及び６で示すように、学習用情報生成手段１５０は、例えば、所在地（東京都八王子市千人町２丁目）・マンション名称（プラウド西八王子）の条件が合致し、所在階：同じ、専有面積：誤差１２．２％、主要開口部の方位：同じであるため、売却住宅２３０：物件１の情報と売買住宅３１０：物件１の情報とを一組の学習用情報３８０として紐付ける。
さらに、Ｓ１０で学習用情報生成手段１５０が、売却住宅情報記憶手段１１０に記憶される売却住宅２３０に関する情報と、統計情報記憶手段１３０に記憶され、対象の売却住宅２３０と所在地が合致する地域に関する統計情報４３０と、を一組の学習用情報３８０として紐付ける形態としても良い。
図４及び７で示すように、学習用情報生成手段１５０は、例えば、売却住宅２３０：物件１の情報と、所在地（東京都八王子市）が合致する統計情報４３０：例１の情報と、を一組の学習用情報３８０として紐付ける。
さらに、Ｓ１０で学習用情報生成手段１５０が、売却住宅情報記憶手段１１０に記憶される売却住宅２３０に関する情報と、地価情報記憶手段１４０に記憶され、対象の売却住宅２３０と最も近い場所に関する地価情報４４０と、を一組の学習用情報３８０として紐付ける形態としても良い。対象の売却住宅２３０と最も近い場所は、対象の売却住宅２３０の緯度・経度と各地価情報４４０の算出地点の緯度・経度とを、三平方の定理又はヒュベニの公式を使用して比較し特定する。
図４及び８で示すように、学習用情報生成手段１５０は、例えば、所在地（八王子市千人町二丁目２３番地３２）である売却住宅２３０：物件１に関する情報と、そこに最も近い地点（東京都八王子市上野町１０９番２１）の地価情報４４０：１８７，０００円／ｍ２と、を一組の学習用情報３８０として紐付ける。
ところでＳ１０において、学習用情報生成手段１５０は、生成した学習用情報３８０について、売却住宅２３０に関する情報における“競売年月”が売買住宅３１０に関する情報における“売買年月”よりも遅いものを除外する形態としても良い。競売で取得した住宅をリニューアルした後、一般の取引市場において売却するという不動産業者の行動原則に合致させるためである。
また、Ｓ１０において学習用情報生成手段１５０は、一組の学習用情報３８０において、同一組内の複数の情報を組み合わせることによって、新たな属性を備える項目の情報を後述の目的変数３９０又は説明変数４００として生成する形態としても良い。
図３及び４で示すように、売却住宅２３０に関する情報が、対象住宅の管理費滞納額に関する情報（滞納額、遅延損害金）３００を含むときを想定する。そのとき、Ｓ１０で学習用情報生成手段１５０が、各学習用情報３８０について、売却価格２９０に管理費滞納額等３００を加算した金額を後述する目的変数３９０として設定する形態であっても良い。また、Ｓ１０で学習用情報生成手段１５０が、一組の学習用情報３８０について、管理費滞納額等３００÷売却価格２９０、管理費滞納額等３００÷売買価格３７０、売買価格３７０－管理費滞納額等３００、又は、管理費滞納額等３００そのものを後述する説明変数４００として設定する形態であっても良い。管理費滞納額等３００は、競売落札者が返済義務を負うものであり、それを目的変数（売却価格２９０）３９０又は説明変数４００に反映させることが妥当と考えられるためである。
Ｓ１０で学習用情報生成手段１５０が、各学習用情報３８０について、所在階２６０・所在階３４０間の差異の大きさ、専有面積２７０・専有面積３５０間の差異の大きさを算出し、各組の学習用情報３８０における説明変数４００として紐付ける形態としても良い。これらは、後述する入出力関係学習手段１６０によって学習させる入出力関係に影響を与えるものだからである。
Ｓ２０で入出力関係学習手段１６０が、Ｓ１０で生成した各々の学習用情報３８０について、売却価格２９０を目的変数３９０とし、売買住宅３１０に関する情報における所在地３２０、所在階３４０、専有面積３５０、主要開口部の方位３６０及び売買価格３７０を含む情報それぞれを説明変数４００とするときの入出力関係を関数近似器４１０に学習させる。なお、売却価格２９０は、売却価格２９０に管理費滞納額等３００を加算して修正した金額を含むものとする。
本装置１００の目的が売却価格２９０の算出であるため、売却価格２９０を目的変数３９０とすることは変更できないが、説明変数４００として採用する項目については適宜選定することができる。
図９において、目的変数３９０・説明変数４００として採用する項目の一例を示す。図９で示すように、説明変数４００として、例えば、所在地３２０、所在地３２０の用途地域、売買住宅３１０が属する集合住宅の構造・階建て・総戸数・駅からの距離・バス利用の有無、売買価格３７０、専有面積３５０、売買住宅３１０の間取り・バルコニー面積・主要開口部の方位・所在階、滞納額の大きさ・程度３００、売却住宅２３０の管理費、競売にかけられた時点の築年数（競売年月－新築年月）、“売買年月－競売年月”（住宅が売買された時期と売却された時期とのズレを勘案する指標）、公示価格４４０、公示価格の算定の基礎となる最寄りの標準地から売買住宅３１０が属する集合住宅までの最短距離、売買住宅３１０が立地する地域の統計情報４３０（外国人比率、住みやすさ、賃貸用物件の空室率）を採用する。
関数近似器４１０は、線形モデル、非線形モデルの何れを採用しても良く、非線形モデルの一例としては、サポートベクターマシーン（Support Vector Machine）、ランダムフォレスト（Random Forest）、ＸＧＢｏｏｓｔ、ニューラルネットワーク（Neural Network）等が挙げられる。本実施の形態において採用するランダムフォレストは、決定木をベースとした予測アルゴリズムである。決定木ベースの予測モデルを用いることで、最終的なモデルの説明を容易にできる、というメリットがある。逆に、それ以外のモデルに関しては、なぜモデルがこの売却価格を予測したのか、ということに対して説明が困難になる場合が多い。ランダムフォレストにおいては、一連の質問に基づいて決定を下していくため、データを分類していくモデルであると考えることができる。ランダムフォレストは、決定木モデルの集団学習により、高精度な予測モデルを行う手法となっている。
上記のような処理を行うことによって、本装置１００は、開示する売却価格予測装置は、未だ債権回収目的の売却対象となっていない住宅について、当該対象になったと想定される場合の売却価格を予測する関数近似器４１０を生成することができる。
（２）本装置１００による売却価格予測処理
図１２を用いて、本装置による売却価格予測処理の流れを説明する。図１２は、本装置１００による売却価格予測処理の流れを示すフローチャートである。
Ｓ１１０で売却価格予測手段１７０が、ユーザー端末４６０から試算対象住宅に関する所在地、所在階、専有面積、主要開口部の方位及び売買価格を含む説明変数４００として採用した項目に関する情報を受け付ける。Ｓ１２０で売却価格予測手段１７０が、Ｓ２０において学習済みの関数近似器４１０に対し、Ｓ１１０において受け付けた試算対象住宅に関する所在地、所在階、専有面積、主要開口部の方位及び売買価格を含む説明変数４００に関する情報を入力する。そして、Ｓ１３０で売却価格予測手段１７０が、関数近似器４１０の出力として、試算対象住宅が競売２１０に掛けられたと想定する場合の売却価格の予測値を算出する。
Ｓ１１０において売却価格予測手段１７０は、ユーザー端末４６０から試算対象住宅の所在地、売買年月（購入日）、売買価格、間取り、所在階、専有面積、バルコニー面積、主要開口部の方位、管理費等の専有部分に関する情報を受け付ける形態としても良い。そのとき、Ｓ１２０において売却価格予測手段１７０は、受け付けた試算対象住宅の所在地と合致する所在地３２０を含む学習用情報３８０を特定する。なお、所在地が合致するとは、比較する所在地どうしが同一であるか、又は、所在地の誤記を考慮し、比較する所在地の主要部分が一致し、かつ、マンション名称が一致することをいう。
さらに、Ｓ１２０において売却価格予測手段１７０は、Ｓ１１０において特定した学習用情報３８０から説明変数４００として採用した項目に関する情報（ユーザー端末４６０から受け付けた試算対象住宅の専有部分に関する情報を除く）を抽出する。図９で示すように、売却価格予測手段１７０は、例えば、特定した一組の学習用情報３８０から、用途地域、構造、階建て、総戸数、交通（駅徒歩）、交通（バス便）、沿線名、新築年月、競売年月、公示価格４４０、外国人比率４３０、住みやすさ４３０、当該エリアの空室率４３０に関する情報を抽出する。
そして、Ｓ１２０において売却価格予測手段１７０は、Ｓ１１０においてユーザー端末４６０から受け付けた情報及びＳ１２０において学習用情報３８０から抽出した情報を、説明変数４００に関する情報として関数近似器４１０に対し入力する。Ｓ１３０において売却価格予測手段１７０は、関数近似器４１０の出力として、試算対象住宅が競売２１０に掛けられたと想定する場合の売却価格の予測値を算出する。
上記のような処理を行うことによって、本装置１００は、ユーザー４５０の本装置１００へのデータ入力の手間を省力化させると共に、関数近似器４１０の学習に使用した学習用情報３８０を使用し、試算対象住宅に係る売却価格の予測精度を向上させる。
また、Ｓ１２０において売却価格予測手段１７０は、Ｓ１１０において受け付けた試算対象住宅の所在地から所在地３２０が所定距離内にあり、かつ（又は）、試算対象住宅と属性が類似する売買住宅３１０に関する学習用情報３８０を特定する形態としても良い。ここで、住宅の属性が類似するとは、比較する住宅どうしの所在階、専有面積、主要開口部の方位、売買価格、間取り及びバルコニー面積を含む比較対象住宅の特徴を表す情報、並びに、立地する用途地域、構造、階建て、総戸数、交通アクセス及び築年数を含む比較対象住宅（が属するマンション全体）の特徴を表す情報のうち何れか一つ以上の観点において、同一であるか、又は、差異があっても、その差異が所定の範囲内にあることをいう。
さらに、Ｓ１２０において売却価格予測手段１７０は、Ｓ１２０において特定した一組の学習用情報３８０から説明変数４００として採用した項目に関する情報（ユーザー端末４６０から受け付けた試算対象住宅の専有部分に関する情報を除く）を抽出する。図９で示すように、売却価格予測手段１７０は、例えば、一組の学習用情報３８０から、用途地域、構造、階建て、総戸数、交通（駅徒歩）、交通（バス便）、沿線名、新築年月、競売年月、公示価格４４０、外国人比率４３０、住みやすさ４３０、当該エリアの空室率４３０に関する情報を抽出する。
そして、Ｓ１２０において売却価格予測手段１７０は、ユーザー端末４６０から受け付けた情報及び学習用情報３８０から抽出した情報を、説明変数４００に関する情報として関数近似器４１０に対し入力する。Ｓ１３０において売却価格予測手段１７０は、関数近似器４１０の出力として、試算対象住宅が競売２１０に掛けられたと想定する場合の売却価格の予測値を算出する。
上記のような処理を行うことによって、本装置１００は、ユーザー４５０による本装置１００へのデータ入力の手間を省力化させると共に、過去に競売に掛けられた物件の無い住宅（マンション（集合住宅）の住戸）に関しても売却価格の精緻な予測を行うことができる。
なお、売却価格予測手段１７０は、複数組の学習用情報３８０を特定し、各組の学習用情報３８０について上記処理を行った後、各処理において算出された複数の売却価格予測値の平均値や中央値を、試算対象住宅に係る売却価格の予測値とする形態としても良い。
以上、本発明の実施の形態について詳述したが、本発明は係る特定の実施の形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲において、種々の変形・変更が可能である。
１００ 売却価格予測装置
１１０ 売却住宅情報記憶手段
１２０ 売買住宅情報記憶手段
１３０ 統計情報記憶手段
１４０ 地価情報記憶手段
１５０ 学習用情報生成手段
１６０ 入出力関係学習手段
１７０ 売却価格予測手段
１８０ 学習用情報記憶手段
２１０ 債権回収のための不動産売却手続
２２０ 司法競売
２３０ 売却住宅：債権回収のための不動産売却手続に掛けられた住宅
２４０ 売却住宅の所在地
２５０ 売却住宅のマンション名称
２６０ 売却住宅の所在階
２７０ 売却住宅の専有面積
２８０ 売却住宅の主要開口部の方位
２９０ 売却住宅の売却価格
３００ 売却住宅の管理費滞納額に関する情報
３１０ 売買住宅：市場取引された住宅
３２０ 売買住宅の所在地
３３０ 売買住宅のマンション名称
３４０ 売買住宅の所在階
３５０ 売買住宅の専有面積
３６０ 売買住宅の主要開口部の方位
３７０ 売買住宅の売買価格
３８０ 学習用情報：学習用データセット
３９０ 目的変数
４００ 説明変数
４１０ 関数近似器
４２０ 売却価格の予測値
４３０ 地域の住環境に関する統計情報
４４０ 地域毎の公的な地価情報
４５０ ユーザー
４６０ ユーザー端末
４７０ 通信ネットワーク
５１０ ＣＰＵ
５２０ ＲＯＭ
５３０ ＲＡＭ
５４０ 補助記憶装置
５５０ 通信インターフェース
５６０ 入力装置
５７０ 出力装置
５８０ 記録媒体インターフェース
５９０ 記録媒体

Claims (17)

  1. 債権回収のための不動産売却手続に掛けられた売却住宅の前記不動産売却手続における売却価格、並びに、前記売却住宅と属性が同一である又は類似すると共に、市場において取引された売買住宅の所在地、面積、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む一組の学習用情報を複数組記憶する学習用情報記憶手段と、
    前記一組の学習用情報について、前記売却価格を目的変数とし、前記売買住宅に関する情報における前記所在地、面積、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む情報それぞれを説明変数とするときの入出力関係を学習させた関数近似器に対し、一の試算対象住宅に関する前記所在地、面積及び売買価格、並びに、複数組の前記学習用情報のうち、前記一の試算対象住宅に関する所在地又は属性に基づき関連付けられる前記一組の学習用情報における前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することによって、前記一の試算対象住宅が前記不動産売却手続に掛けられたと想定する場合の前記売却価格の予測値を算出する売却価格予測手段と、を有することを特徴とする売却価格予測装置。
  2. 債権回収のための不動産売却手続に掛けられた売却住宅の前記不動産売却手続における売却価格、並びに、前記売却住宅と属性が同一である又は類似すると共に、市場において取引された売買住宅の所在地、所在階、専有面積、主要開口部の方位、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む一組の学習用情報を複数組記憶する学習用情報記憶手段と、
    前記一組の学習用情報について、前記売却価格を目的変数とし、前記売買住宅に関する情報における前記所在地、所在階、専有面積、主要開口部の方位、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む情報それぞれを説明変数とするときの入出力関係を学習させた関数近似器に対し、一の試算対象住宅に関する前記所在地、所在階、専有面積、主要開口部の方位及び売買価格、並びに、複数組の前記学習用情報のうち、前記一の試算対象住宅に関する所在地又は属性に基づき関連付けられる前記一組の学習用情報における前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することによって、前記一の試算対象住宅が前記不動産売却手続に掛けられたと想定する場合の前記売却価格の予測値を算出する売却価格予測手段と、を有することを特徴とする売却価格予測装置。
  3. 前記売却価格予測手段が、前記複数組の学習用情報の中から、前記売買住宅の所在地が前記一の試算対象住宅の所在地と合致する前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項１又は２に記載の売却価格予測装置。
  4. 前記一組の学習用情報が、前記売買住宅のマンション名称を含み、
    前記売却価格予測手段が、前記複数組の学習用情報の中から、前記売買住宅の前記マンション名称が前記一の試算対象住宅のマンション名称と合致する前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項３に記載の売却価格予測装置。
  5. 前記売却価格予測手段が、前記複数組の学習用情報の中から、前記売買住宅の所在地が前記一の試算対象住宅に関する所在地から所定距離内にある前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項１又は２に記載の売却価格予測装置。
  6. 前記売却価格予測手段が、前記複数組の学習用情報の中から、前記一の試算対象住宅と属性が類似する住宅に関する前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項１、２又は５に記載の売却価格予測装置。
  7. 前記売却価格予測手段が、面積、売買価格、間取り、立地する用途地域、構造、建物階、交通アクセス及び築年数を含む比較対象住宅の特徴を表す情報のうち何れか一つ以上の観点において、前記一の試算対象住宅と属性が類似する住宅に関する前記一組の学習用情報を特定することを特徴とする請求項６に記載の売却価格予測装置。
  8. 前記売却価格予測手段が、所在階、専有面積、主要開口部の方位、売買価格、間取り及びバルコニー面積を含む比較対象住宅の特徴を表す情報、並びに、立地する用途地域、構造、階建て、総戸数、交通アクセス及び築年数を含む比較対象住宅が属するマンション全体の特徴を表す情報のうち何れか一つ以上の観点において、前記一の試算対象住宅と属性が類似する住宅に関する前記一組の学習用情報を特定することを特徴とする請求項６に記載の売却価格予測装置。
  9. 債権回収のための不動産売却手続に掛けられた売却住宅の前記不動産売却手続における売却価格、並びに、前記売却住宅と属性が同一である又は類似すると共に、市場において取引された売買住宅の所在地、面積、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む一組の学習用情報を複数組記憶する学習用情報記憶手段を有するコンピューターにおいて、
    売却価格予測手段が、前記一組の学習用情報について、前記売却価格を目的変数とし、前記売買住宅に関する情報における前記所在地、面積、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む情報それぞれを説明変数とするときの入出力関係を学習させた関数近似器に対し、一の試算対象住宅に関する前記所在地、面積及び売買価格、並びに、複数組の前記学習用情報のうち、前記一の試算対象住宅に関する所在地又は属性に基づき関連付けられる前記一組の学習用情報における前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することによって、前記一の試算対象住宅が前記不動産売却手続に掛けられたと想定する場合の前記売却価格の予測値を算出するステップ、を含む売却価格予測方法。
  10. 債権回収のための不動産売却手続に掛けられた売却住宅の前記不動産売却手続における売却価格、並びに、前記売却住宅と属性が同一である又は類似すると共に、市場において取引された売買住宅の所在地、所在階、専有面積、主要開口部の方位、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む一組の学習用情報を複数組記憶する学習用情報記憶手段を有するコンピューターにおいて、
    売却価格予測手段が、前記一組の学習用情報について、前記売却価格を目的変数とし、前記売買住宅に関する情報における前記所在地、所在階、専有面積、主要開口部の方位、売買価格及び前記売却住宅又は前記売買住宅を特徴付ける情報を含む情報それぞれを説明変数とするときの入出力関係を学習させた関数近似器に対し、一の試算対象住宅に関する前記所在地、所在階、専有面積、主要開口部の方位及び売買価格、並びに、複数組の前記学習用情報のうち、前記一の試算対象住宅に関する所在地又は属性に基づき関連付けられる前記一組の学習用情報における前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することによって、前記一の試算対象住宅が前記不動産売却手続に掛けられたと想定する場合の前記売却価格の予測値を算出するステップ、を含む売却価格予測方法。
  11. 前記売却価格予測手段が、前記複数組の学習用情報の中から、前記売買住宅の所在地が前記一の試算対象住宅の所在地と合致する前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項９又は１０に記載の売却価格予測方法。
  12. 前記一組の学習用情報が、前記売買住宅のマンション名称を含み、
    前記売却価格予測手段が、前記複数組の学習用情報の中から、前記売買住宅の前記マンション名称が前記一の試算対象住宅のマンション名称と合致する前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項１１に記載の売却価格予測方法。
  13. 前記売却価格予測手段が、前記複数組の学習用情報の中から、前記売買住宅の所在地が前記一の試算対象住宅に関する所在地から所定距離内にある前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項９又は１０に記載の売却価格予測方法。
  14. 前記売却価格予測手段が、前記複数組の学習用情報の中から、前記一の試算対象住宅と属性が類似する住宅に関する前記一組の学習用情報を特定し、特定した前記一組の学習用情報から前記説明変数として使用した前記売却住宅又は売買住宅を特徴付ける情報を抽出し、抽出した前記売却住宅又は売買住宅を特徴付ける情報を前記説明変数に関する情報として入力することを特徴とする請求項９、１０又は１３に記載の売却価格予測方法。
  15. 前記売却価格予測手段が、面積、売買価格、間取り、立地する用途地域、構造、建物階、交通アクセス及び築年数を含む比較対象住宅の特徴を表す情報のうち何れか一つ以上の観点において、前記一の試算対象住宅と属性が類似する住宅に関する前記一組の学習用情報を特定することを特徴とする請求項１４に記載の売却価格予測方法。
  16. 前記売却価格予測手段が、所在階、専有面積、主要開口部の方位、売買価格、間取り及びバルコニー面積を含む比較対象住宅の特徴を表す情報、並びに、立地する用途地域、構造、階建て、総戸数、交通アクセス及び築年数を含む比較対象住宅が属するマンション全体の特徴を表す情報のうち何れか一つ以上の観点において、前記一の試算対象住宅と属性が類似する住宅に関する前記一組の学習用情報を特定することを特徴とする請求項１４に記載の売却価格予測方法。
  17. コンピューターに、請求項９乃至１６の何れか一に記載の方法を実行させるための売却価格予測プログラム。
JP2020559683A 2018-12-12 2019-02-22 売却価格予測装置 Active JP7112772B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018232812 2018-12-12
JP2018232812 2018-12-12
PCT/JP2019/006715 WO2020121542A1 (ja) 2018-12-12 2019-02-22 売却価格予測装置

Publications (2)

Publication Number Publication Date
JPWO2020121542A1 JPWO2020121542A1 (ja) 2020-06-18
JP7112772B2 true JP7112772B2 (ja) 2022-08-04

Family

ID=71076298

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020559683A Active JP7112772B2 (ja) 2018-12-12 2019-02-22 売却価格予測装置

Country Status (3)

Country Link
JP (1) JP7112772B2 (ja)
CN (1) CN113396438B (ja)
WO (1) WO2020121542A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016136056A1 (ja) 2015-02-27 2016-09-01 ソニー株式会社 情報処理装置、情報処理方法およびプログラム

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6321212B1 (en) * 1999-07-21 2001-11-20 Longitude, Inc. Financial products having a demand-based, adjustable return, and trading exchange therefor
JP2001117973A (ja) * 1999-10-20 2001-04-27 Recruit Co Ltd 不動産評価装置、不動産評価方法、不動産評価プログラムを格納する記録媒体および不動産情報提供システム
KR20020004710A (ko) * 2000-07-07 2002-01-16 권오억 인터넷을 이용한 부동산 가격관련 정보 표시방법,지리정보시스템 또는 인터넷 지리정보시스템을 이용한부동산 가격정보 표시방법, 및 인터넷상 또는인터넷지리정보시스템상 지아이에스 지(적)도면을 이용한부동산감정가격 자동산정 방법 및 인터넷 홈페이지를이용한 이의 표시방법
JP2006048572A (ja) * 2004-08-09 2006-02-16 Toshiba Corp 不動産競売情報提供システム
JP2006099591A (ja) * 2004-09-30 2006-04-13 Asahi Kasei Homes Kk 住宅ローン債権の証券化情報提供システム
KR20070119942A (ko) * 2006-06-16 2007-12-21 정춘자 부동산 경매정보 제공시스템에 있어 적정 입찰가격분석정보 제공방법
US20090234763A1 (en) * 2006-09-27 2009-09-17 Equassure, Inc., A Delaware Corporation Home option contract business process
KR101161347B1 (ko) * 2009-07-15 2012-07-09 윤호원 부동산 운용 시스템 및 그 방법
JP5208167B2 (ja) * 2010-06-21 2013-06-12 旭化成ホームズ株式会社 住宅ローン債権の情報提供方法及びそれを備えた住宅ローン債権の情報提供システム
US20130346151A1 (en) * 2012-06-22 2013-12-26 Corelogic Solutions, Llc Systems and methods for automated valuation of real estate developments
KR20140118906A (ko) * 2013-03-27 2014-10-08 이경문 부동산 경매 물건 관련 가격 정보 제공 방법 및 시스템
WO2016009683A1 (ja) * 2014-07-15 2016-01-21 ソニー株式会社 情報処理装置、情報処理方法およびプログラム
WO2016009682A1 (ja) * 2014-07-15 2016-01-21 ソニー株式会社 情報処理装置、情報処理方法およびプログラム
JP6217049B2 (ja) * 2015-06-30 2017-10-25 株式会社マーキュリー 中古販売価格算定システム、プログラムおよび方法
KR101762888B1 (ko) * 2016-07-11 2017-08-04 주식회사 한국감정원 유사가격권 및 실거래가격을 이용한 부동산 시세 산정 시스템 및 방법
TW201839696A (zh) * 2017-04-18 2018-11-01 台灣金聯資產管理股份有限公司 智慧型資產評估方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016136056A1 (ja) 2015-02-27 2016-09-01 ソニー株式会社 情報処理装置、情報処理方法およびプログラム

Also Published As

Publication number Publication date
CN113396438A (zh) 2021-09-14
WO2020121542A1 (ja) 2020-06-18
CN113396438B (zh) 2024-04-19
JPWO2020121542A1 (ja) 2020-06-18

Similar Documents

Publication Publication Date Title
Bayer et al. Speculative fever: Investor contagion in the housing bubble
US20210166140A1 (en) Method and apparatus for training risk identification model and server
Park et al. Using machine learning algorithms for housing price prediction: The case of Fairfax County, Virginia housing data
US20170243296A1 (en) Real Estate Investment System and Method of Controlling a Commercial System by Generating Key Investment Indicators
Mohamed et al. Modelling project investment decisions under uncertainty using possibility theory
Cheng et al. Bidding decision making for construction company using a multi-criteria prospect model
Morano et al. Bare ownership evaluation. Hedonic price model vs. artificial neural network
US20150112874A1 (en) Method and system for performing owner association analytics
Hyun et al. Spatial dependence in apartment transaction prices during boom and bust
JP2004500644A (ja) 評価システムの迅速な配置方法とシステム
JP2003529139A (ja) 最適なアンダーライトを行うためのポートフォリオの効率的サンプリング方法とシステム
Wang et al. Assessing effects of economic factors on construction cost estimation using deep neural networks
JP2003529138A (ja) 収益と現在価値を最適化するための方法とシステム
US20200387990A1 (en) Systems and methods for performing automated feedback on potential real estate transactions
JP2003524267A (ja) 保険引き受けのための多段包括的リスクアセスメントシステム
Yasnitsky et al. The complex neural network model for mass appraisal and scenario forecasting of the urban real estate market value that adapts itself to space and time
JP2003526147A (ja) 自動的にポートフォリオ記述統計値を求める相互相関ツール
US20090276290A1 (en) System and method of optimizing commercial real estate transactions
Rosenfield et al. Agent-based housing market microsimulation for integrated land use, transportation, environment model system
JP7112772B2 (ja) 売却価格予測装置
Bogdanova et al. Problems of modeling the valuation of residential properties
Augustyniak et al. Property valuation for mortgage purposes in Poland
WO2020110274A1 (ja) 売却価格予測装置
KR20220090382A (ko) 주택 현황 데이터의 최적화 모델링을 이용한 주택 담보 가치 추정 시스템
Supriya et al. House Price Prediction System using Machine Learning Algorithms and Visualization

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210720

AA64 Notification of invalidation of claim of internal priority (with term)

Free format text: JAPANESE INTERMEDIATE CODE: A241764

Effective date: 20210930

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211007

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220707

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220715

R150 Certificate of patent or registration of utility model

Ref document number: 7112772

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150