JPWO2020110274A1 - 売却価格予測装置 - Google Patents

売却価格予測装置 Download PDF

Info

Publication number
JPWO2020110274A1
JPWO2020110274A1 JP2020557495A JP2020557495A JPWO2020110274A1 JP WO2020110274 A1 JPWO2020110274 A1 JP WO2020110274A1 JP 2020557495 A JP2020557495 A JP 2020557495A JP 2020557495 A JP2020557495 A JP 2020557495A JP WO2020110274 A1 JPWO2020110274 A1 JP WO2020110274A1
Authority
JP
Japan
Prior art keywords
information
dwelling unit
sale
sold
price
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.)
Pending
Application number
JP2020557495A
Other languages
English (en)
Inventor
栄一 遠藤
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 JPWO2020110274A1 publication Critical patent/JPWO2020110274A1/ja
Pending legal-status Critical Current

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

Abstract

【課題】未だ債権回収目的の売却対象となっていない住戸について、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。【解決手段】競売住戸の所在地、所在階、専有面積等及び競売における売却価格を含む競売住戸情報を物件毎に記憶する手段と、市場取引住戸の所在地、所在階、専有面積等及び売買価格を含む市場取引住戸情報を物件毎に記憶する記憶手段と、一の住戸に関する前記競売住戸情報と、該競売住戸情報における所在地が同一であり、かつ、所在階、専有面積等が所定の誤差内にある市場取引住戸情報と、を一組の学習用情報として紐付ける手段と、一組の学習用情報について、売却価格を目的変数とし、市場取引住戸情報における所在地、所在階、専有面積等及び売買価格それぞれを説明変数とするときの入出力関係を関数近似器に学習させる手段と、を有する。【選択図】図２

Description

評価対象住戸が不動産売却手続（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、当該住戸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戸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、自動車とマンション住戸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戸数が少ないため、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戸について、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住戸の所在地、所在階、専有面積、主要開口部の方位及び前記不動産売却手続における売却価格を含む売却住戸に関する情報を物件毎に記憶する売却住戸情報記憶手段と、市場において取引された住戸の所在地、所在階、専有面積、主要開口部の方位及び売買価格を含む売買住戸に関する情報を物件毎に記憶する売買住戸情報記憶手段と、一の住戸に関する前記売却住戸に関する情報と、該売却住戸に関する情報における前記所在地が同一であり、かつ、前記所在階、前記専有面積及び前記主要開口部の方位が所定の誤差内にある前記売買住戸に関する情報と、を一組の学習用情報として紐付ける学習用情報生成手段と、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、前記売買住戸に関する情報における前記所在地、所在階、専有面積、主要開口部の方位及び売買価格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関数近似器に学習させる入出力関係学習手段と、を有することを特徴とする。
また、開示する売却価格予測装置の一形態は、上記構成に加え、学習済みの前記関数近似器に対し、一の試算対象住戸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を含む前記説明変数に関する情報を入力することによって、前記一の試算対象住戸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戸について、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戸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戸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戸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戸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する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戸について、将来、不動産売却手続２１０に掛けられたと想定し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。
マンション（集合住宅）の住戸は、所在地、所在階、専有面積、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戸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戸３１０の売買価格３７０と競売２１０において売却される住戸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に掛けられる住戸の数は、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戸に関し、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戸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、売買住戸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戸について、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。
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、売却住戸情報記憶手段１１０、売買住戸情報記憶手段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。
売却住戸情報記憶手段１１０は、競売２１０に掛けられた住戸（売却住戸）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を含む売却住戸２３０に関する情報を物件毎に記憶する。図３で示すように、売却住戸情報記憶手段１１０は、これら以外にも、売却住戸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、売却住戸情報記憶手段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。
売買住戸情報記憶手段１２０は、市場において取引された住戸（売買住戸）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を含む売買住戸３１０に関する情報を物件毎に記憶する。図５で示すように、売却住戸情報記憶手段１１０は、これら以外にも、売買住戸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、売買住戸情報記憶手段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１１０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、売却住戸２３０に関する情報と、対象の売却住戸２３０に属性が類似する売買住戸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。売却住戸２３０に属性が類似する売買住戸３１０とは、売却住戸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戸の特徴を表す情報が所定の誤差内にある売買住戸をいう。
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、売却住戸２３０に関する情報より売買住戸３１０に関する情報の方が多いため、売却住戸２３０に関する情報１つに複数の売買住戸３１０に関する情報が紐付けられ、売却住戸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、売却住戸２３０：物件１の情報と売買住戸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戸２３０と売買住戸３１０とは、通常、異なる住戸である。
学習用情報生成手段１５０は、売却住戸２３０に関する情報と、対象の売却住戸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、売却住戸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、売却住戸２３０に関する情報と、対象の売却住戸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。対象の売却住戸２３０と最も近い場所は、対象の売却住戸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）である売却住戸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、売却住戸２３０に関する情報における“競売年月”が売買住戸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。競売で取得した住戸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、売却住戸２３０に関する情報が、対象住戸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に利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、売買住戸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、売買住戸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、売買住戸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、売却住戸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”（住戸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戸３１０が属する集合住宅までの最短距離、売買住戸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、一の試算対象住戸に関する所在地、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、試算対象住戸が競売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から試算対象住戸に関する所在地、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、関数近似器４１０に対し入力する説明変数４００として採用した項目に関する情報の全てを、ユーザー端末４６０から受け付け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から試算対象住戸の所在地、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、試算対象住戸の所在地と合致する情報を含む学習用情報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、外国人比率、住みやすさ、当該エリアの空室率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。
また、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。
また、売却価格予測手段１７０は、ユーザー端末４６０から受け付けた試算対象住戸の所在地その他の情報（階建て、新築年月、用途地域等）に基づいて、試算対象住戸に類似する住戸に関する学習用情報３８０を選定する。そして、売却価格予測手段１７０は、選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、外国人比率、住みやすさ、当該エリアの空室率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）の住戸に関しても売却価格の予測を行うことができる。
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戸について、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、売却住戸情報記憶手段１１０に記憶される売却住戸２３０に関する情報と、売買住戸情報記憶手段１２０に記憶され、対象の売却住戸２３０に属性が類似する売買住戸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。
売却住戸２３０に属性が類似する売買住戸３１０とは、売却住戸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戸の特徴を表す情報が所定の誤差内にある売買住戸をいう。
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３階以内、専有面積：差異１５％以内、主要開口部の方位：差異９０度以内等の条件をいう。なお、売却住戸２３０に関する情報より売買住戸３１０に関する情報の方が多いため、売却住戸２３０に関する情報１つに複数の売買住戸３１０に関する情報が紐付けられ、売却住戸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、売却住戸２３０：物件１の情報と売買住戸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、売却住戸情報記憶手段１１０に記憶される売却住戸２３０に関する情報と、統計情報記憶手段１３０に記憶され、対象の売却住戸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、売却住戸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、売却住戸情報記憶手段１１０に記憶される売却住戸２３０に関する情報と、地価情報記憶手段１４０に記憶され、対象の売却住戸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。対象の売却住戸２３０と最も近い場所は、対象の売却住戸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）である売却住戸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、売却住戸２３０に関する情報における“競売年月”が売買住戸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。競売で取得した住戸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、売却住戸２３０に関する情報が、対象住戸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。
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、売買住戸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、売買住戸３１０の構造、売買住戸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、売買住戸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、売却住戸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”（住戸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戸３１０が属する集合住宅までの最短距離、売買住戸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戸について、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から試算対象住戸に関する所在地、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戸に関する所在地、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。
Ｓ１３０で売却価格予測手段１７０が、関数近似器４１０の出力として、試算対象住戸が競売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、関数近似器４１０に対し入力する説明変数４００として採用した項目に関する情報の全てを、ユーザー端末４６０から受け付ける形態としても良い。
また、Ｓ１１０において売却価格予測手段１７０は、ユーザー端末４６０から試算対象住戸の所在地、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、試算対象住戸の所在地と合致する情報を含む学習用情報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、外国人比率、住みやすさ、当該エリアの空室率に関する情報を抽出する。
これに続けて、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。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。
また、Ｓ１１０において売却価格予測手段１７０は、ユーザー端末４６０から予測対象日を受け付け、Ｓ１２０において、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。
また、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から受け付けた試算対象住戸の所在地その他の情報（階建て、新築年月、用途地域等）に基づいて、試算対象住戸に類似する住戸に関する学習用情報３８０を選定す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、選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、外国人比率、住みやすさ、当該エリアの空室率に関する情報を抽出する。
さらに続いて、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。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）の住戸に関しても売却価格の予測を行うことができる。
上記のよう処理を行うことによって、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戸について、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ことができる。
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 売却住戸情報記憶手段
１２０ 売買住戸情報記憶手段
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 売却住戸：債権回収のための不動産売却手続に掛けられた住戸
２４０ 売却住戸の所在地
２５０ 売却住戸のマンション名称
２６０ 売却住戸の所在階
２７０ 売却住戸の専有面積
２８０ 売却住戸の主要開口部の方位
２９０ 売却住戸の売却価格
３００ 売却住戸の管理費滞納額に関する情報
３１０ 売買住戸：市場取引された住戸
３２０ 売買住戸の所在地
３３０ 売買住戸のマンション名称
３４０ 売買住戸の所在階
３５０ 売買住戸の専有面積
３６０ 売買住戸の主要開口部の方位
３７０ 売買住戸の売買価格
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 (23)

  1. 債権回収のための不動産売却手続に掛けられた住戸の所在地、所在階、専有面積、主要開口部の方位及び前記不動産売却手続における売却価格を含む売却住戸に関する情報を物件毎に記憶する売却住戸情報記憶手段と、
    市場において取引された住戸の所在地、所在階、専有面積、主要開口部の方位及び売買価格を含む売買住戸に関する情報を物件毎に記憶する売買住戸情報記憶手段と、
    一の住戸に関する前記売却住戸に関する情報と、該売却住戸に関する情報における前記所在地が同一であり、かつ、前記所在階、前記専有面積及び前記主要開口部の方位が所定の誤差内にある前記売買住戸に関する情報と、を一組の学習用情報として紐付ける学習用情報生成手段と、
    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、前記売買住戸に関する情報における前記所在地、所在階、専有面積、主要開口部の方位及び売買価格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関数近似器に学習させる入出力関係学習手段と、を有することを特徴とする売却価格予測装置。
  2. 学習済みの前記関数近似器に対し、一の試算対象住戸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を含む前記説明変数に関する情報を入力することによって、前記一の試算対象住戸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を有することを特徴とする請求項１に記載の売却価格予測装置。
  3. 前記売却住戸に関する情報が、前記不動産売却手続に掛けられた住戸の管理費滞納額に関する情報を含むとき、
    前記入出力関係学習手段が、前記目的変数として、前記管理費滞納額に関する情報を前記売却価格に加算した情報を使用し、又は、前記説明変数として、前記管理費滞納額に基づき算出した前記管理費滞納額の大きさを表す情報を使用することを特徴とする請求項２に記載の売却価格予測装置。
  4. 前記売却住戸又は前記売買住戸に関する情報が、住戸のバルコニー面積を含むとき、
    前記入出力関係学習手段が、前記説明変数として前記バルコニー面積を使用し、
    前記売却価格予測手段が、前記一の試算対象住戸に関する前記バルコニー面積を前記説明変数として入力することを特徴とする請求項２又は３に記載の売却価格予測装置。
  5. 前記売却住戸又は前記売買住戸に関する情報が、住戸が立地する用途地域の種別を含むとき、
    前記入出力関係学習手段が、前記説明変数として前記用途地域の種別を使用し、
    前記売却価格予測手段が、前記一の試算対象住戸が立地する前記用途地域の種別を前記説明変数として入力することを特徴とする請求項２乃至４の何れか一に記載の売却価格予測装置。
  6. 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を記憶する統計情報記憶手段を有し、
    前記学習用情報生成手段が、前記一の住戸に関する前記売却住戸又は前記売買住戸に関する情報と、前記売却住戸又は前記売買住戸に関する情報における前記所在地が合致する地域に関する前記統計情報と、を前記一組の学習用情報として紐付け、
    前記入出力関係学習手段が、前記説明変数として前記統計情報を使用し、
    前記売却価格予測手段が、前記一の試算対象住戸が立地する地域に関する前記統計情報を前記説明変数として入力することを特徴とする請求項２乃至５の何れか一に記載の売却価格予測装置。
  7. 地域毎の公的な地価情報を記憶する地価情報記憶手段を有し、
    前記学習用情報生成手段が、前記一の住戸に関する前記売却住戸又は前記売買住戸に関する情報と、三平方の定理又はヒュベニの公式を使用して前記売却住戸又は前記売買住戸に関する情報における前記所在地に最も近いと判断できる地域の前記地価情報と、を前記一組の学習用情報として紐付け、
    前記入出力関係学習手段が、前記説明変数として前記地価情報を使用し、
    前記売却価格予測手段が、前記一の試算対象住戸が立地する地域に関する前記地価情報を前記説明変数として入力することを特徴とする請求項２乃至６の何れか一に記載の売却価格予測装置。
  8. 前記入出力関係学習手段が、前記一組の学習用情報における、前記売却住戸に関する情報における前記所在階と前記売買住戸に関する情報における前記所在階との差異、又は、前記売却住戸に関する情報における前記専有面積と前記売買住戸に関する情報における前記専有面積との差異、を前記説明変数として使用することを特徴とする請求項２乃至７の何れか一に記載の売却価格予測装置。
  9. 前記売却価格予測手段が、学習済みの前記関数近似器に対し、同一組の前記学習用情報から抽出した複数の情報それぞれを前記説明変数として入力することを特徴とする請求項２乃至８の何れか一に記載の売却価格推定装置。
  10. 前記売却住戸に関する情報が、前記不動産売却手続に掛けられた住戸のマンション名称を含み、
    前記売買住戸に関する情報が、前記市場において取引された住戸のマンション名称を含み、
    前記学習用情報生成手段が、前記一の住戸に関する前記売却住戸に関する情報と、該売却住戸に関する情報における前記マンション名称が同一である前記売買住戸に関する情報と、を前記一組の学習用情報として紐付けることを特徴とする請求項２乃至９の何れか一に記載の売却価格推定装置。
  11. 前記債権回収のための不動産売却手続が、不動産競売の手続であることを特徴とする請求項２乃至１０の何れか一に記載の売却価格推定装置。
  12. 債権回収のための不動産売却手続に掛けられた住戸の所在地、所在階、専有面積、主要開口部の方位及び前記不動産売却手続における売却価格を含む売却住戸に関する情報を物件毎に記憶する売却住戸情報記憶手段と、市場において取引された住戸の所在地、所在階、専有面積、主要開口部の方位及び売買価格を含む売買住戸に関する情報を物件毎に記憶する売買住戸情報記憶手段と、を有するコンピュータにおいて、
    学習用情報生成手段が、一の住戸に関する前記売却住戸に関する情報と、該売却住戸に関する情報における前記所在地が同一であり、かつ、前記所在階、前記専有面積及び前記主要開口部の方位が所定の誤差内にある前記売買住戸に関する情報と、を一組の学習用情報として紐付けるステップと、
    入出力関係学習手段が、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、前記売買住戸に関する情報における前記所在地、所在階、専有面積、主要開口部の方位及び売買価格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関数近似器に学習させるステップと、を含む売却価格予測方法。
  13. 売却価格予測手段が、学習済みの前記関数近似器に対し、一の試算対象住戸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を含む前記説明変数に関する情報を入力することによって、前記一の試算対象住戸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ことを含む請求項１２に記載の売却価格予測方法。
  14. 前記売却住戸に関する情報が、前記不動産売却手続に掛けられた住戸の管理費滞納額に関する情報を含むとき、
    前記入出力関係学習手段が、前記目的変数として、前記管理費滞納額に関する情報を前記売却価格に加算した情報を使用し、又は、前記説明変数として、前記管理費滞納額に基づき算出した前記管理費滞納額の大きさを表す情報を使用することを特徴とする請求項１３に記載の売却価格予測方法。
  15. 前記売却住戸又は前記売買住戸に関する情報が、住戸のバルコニー面積を含むとき、
    前記入出力関係学習手段が、前記説明変数として前記バルコニー面積を使用し、
    前記売却価格予測手段が、前記一の試算対象住戸に関する前記バルコニー面積を前記説明変数として入力することを特徴とする請求項１３又は１４に記載の売却価格予測方法。
  16. 前記売却住戸又は前記売買住戸に関する情報が、住戸が立地する用途地域の種別を含むとき、
    前記入出力関係学習手段が、前記説明変数として前記用途地域の種別を使用し、
    前記売却価格予測手段が、前記一の試算対象住戸が立地する前記用途地域の種別を前記説明変数として入力することを特徴とする請求項１３乃至１５の何れか一に記載の売却価格予測方法。
  17. 前記コンピュータが、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を記憶する統計情報記憶手段を有し、
    前記学習用情報生成手段が、前記一の住戸に関する前記売却住戸又は前記売買住戸に関する情報と、前記売却住戸又は前記売買住戸に関する情報における前記所在地が合致する地域に関する前記統計情報と、を前記一組の学習用情報として紐付け、
    前記入出力関係学習手段が、前記説明変数として前記統計情報を使用し、
    前記売却価格予測手段が、前記一の試算対象住戸が立地する地域に関する前記統計情報を前記説明変数として入力することを特徴とする請求項１３乃至１６の何れか一に記載の売却価格予測方法。
  18. 前記コンピュータが、地域毎の公的な地価情報を記憶する地価情報記憶手段を有し、
    前記学習用情報生成手段が、前記一の住戸に関する前記売却住戸又は前記売買住戸に関する情報と、三平方の定理又はヒュベニの公式を使用して前記売却住戸又は前記売買住戸に関する情報における前記所在地に最も近いと判断できる地域の前記地価情報と、を前記一組の学習用情報として紐付け、
    前記入出力関係学習手段が、前記説明変数として前記地価情報を使用し、
    前記売却価格予測手段が、前記一の試算対象住戸が立地する地域に関する前記地価情報を前記説明変数として入力することを特徴とする請求項１３乃至１７の何れか一に記載の売却価格予測方法。
  19. 前記入出力関係学習手段が、前記一組の学習用情報における、前記売却住戸に関する情報における前記所在階と前記売買住戸に関する情報における前記所在階との差異、又は、前記売却住戸に関する情報における前記専有面積と前記売買住戸に関する情報における前記専有面積との差異、を前記説明変数として使用することを特徴とする請求項１３乃至１８の何れか一に記載の売却価格予測方法。
  20. 前記売却価格予測手段が、学習済みの前記関数近似器に対し、同一組の前記学習用情報から抽出した複数の情報それぞれを前記説明変数として入力することを特徴とする請求項１３乃至１９の何れか一に記載の売却価格推定方法。
  21. 前記売却住戸に関する情報が、前記不動産売却手続に掛けられた住戸のマンション名称を含み、
    前記売買住戸に関する情報が、前記市場において取引された住戸のマンション名称を含み、
    前記学習用情報生成手段が、前記一の住戸に関する前記売却住戸に関する情報と、該売却住戸に関する情報における前記マンション名称が同一である前記売買住戸に関する情報と、を前記一組の学習用情報として紐付けることを特徴とする請求項１３乃至２０の何れか一に記載の売却価格推定方法。
  22. 前記債権回収のための不動産売却手続が、不動産競売の手続であることを特徴とする請求項１３乃至２１の何れか一に記載の売却価格推定方法。
  23. コンピュータに、請求項１２乃至２２の何れか一に記載の方法を実行させるための売却価格推定プログラム。


JP2020557495A 2018-11-29 2018-11-29 売却価格予測装置 Pending JPWO2020110274A1 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/044084 WO2020110274A1 (ja) 2018-11-29 2018-11-29 売却価格予測装置

Publications (1)

Publication Number Publication Date
JPWO2020110274A1 true JPWO2020110274A1 (ja) 2021-09-27

Family

ID=70853293

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020557495A Pending JPWO2020110274A1 (ja) 2018-11-29 2018-11-29 売却価格予測装置

Country Status (3)

Country Link
JP (1) JPWO2020110274A1 (ja)
CN (1) CN113168659A (ja)
WO (1) WO2020110274A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11282823A (ja) * 1998-03-31 1999-10-15 Ricchi Hyoka Kenkyusho:Kk 土地評価システムおよび方法，ならびに土地評価のためのプログラムを格納した媒体
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
AUPS233802A0 (en) * 2002-05-15 2002-06-13 Frp Pty Ltd System and method for creating and implementing a lease agreement
US20050108136A1 (en) * 2003-11-18 2005-05-19 Nelson Schneider System and method for creating, selling, and/or managing property funds in an investment market
AU2005100864B4 (en) * 2004-10-13 2006-03-23 Ares Capital Management Pty Ltd Data Processing System and Method with Principal Adjustment
KR101316572B1 (ko) * 2012-10-11 2013-10-15 김병천 서민 주거안정을 위한 사회적 자본을 공유하는 방법
KR101762888B1 (ko) * 2016-07-11 2017-08-04 주식회사 한국감정원 유사가격권 및 실거래가격을 이용한 부동산 시세 산정 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"「自分の住まいはいくらで売れる？」がすぐわかる！", [ONLINE], JPN6022022216, 28 September 2018 (2018-09-28), ISSN: 0004795963 *
"競売マンションドットコムＰＲＯのご案内", [ONLINE], JPN6019008744, 11 October 2016 (2016-10-11), ISSN: 0004932098 *
川戸温志: "価格を可視化する「不動産テック」 中古マンション市場で広がる", 週刊エコノミスト, JPN6019008746, 10 April 2018 (2018-04-10), pages 38 - 39, ISSN: 0004795962 *
谷山智彦: "不動産テック もう売買査定で不安にならない 物件の「適正価格」が一目瞭然", 週刊エコノミスト, JPN6019008745, 17 April 2018 (2018-04-17), pages 32 - 33, ISSN: 0004795961 *

Also Published As

Publication number Publication date
CN113168659A (zh) 2021-07-23
WO2020110274A1 (ja) 2020-06-04

Similar Documents

Publication Publication Date Title
US20210166140A1 (en) Method and apparatus for training risk identification model and server
Mild et al. How low can you go?—Overcoming the inability of lenders to set proper interest rates on unsecured peer-to-peer lending markets
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
Hyun et al. Spatial dependence in apartment transaction prices during boom and bust
CN110147925B (zh) 一种风险决策方法、装置、设备及系统
US20200387990A1 (en) Systems and methods for performing automated feedback on potential real estate transactions
Carrillo et al. Can tightness in the housing market help predict subsequent home price appreciation? Evidence from the United States and the Netherlands
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
JP2003526146A (ja) 評価値を求めてリスクを低減する方法とシステム
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
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
JP2008535089A (ja) ローン品質スコアを計算する方法および装置
Xu et al. Office property price index forecasting using neural networks
CN110415104A (zh) 数据处理方法和装置，电子设备和存储介质
US20090276290A1 (en) System and method of optimizing commercial real estate transactions
Teoh et al. Explainable housing price prediction with determinant analysis
Rosenfield et al. Agent-based housing market microsimulation for integrated land use, transportation, environment model system
JP7076035B2 (ja) データ処理装置、データ処理方法およびプログラム
Leishman et al. The influence of uncertainty on house builder behaviour and residential land values
Okuta et al. Comparing simple and complex regression models in forecasting housing price: case study from Kenya
Helgaker et al. Adverse selection in iBuyer business models—don’t buy lemons!
Erkek et al. Predicting house prices in Turkey by using machine learning algorithms
Morano et al. A multivariate econometric analysis for the forecasting of the interdependences between the housing prices and the socio-economic factors in the city of Barcelona (Spain)
CN116739750A (zh) 贷户违约预测方法、装置、设备和介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210323

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220609

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20221129