| dc.contributor.advisor | 楊建民<br>洪為璽 | zh_TW |
| dc.contributor.advisor | Yang, Jiann-Min<br>Hung, Wei-Hsi | en_US |
| dc.contributor.author (作者) | 許安廷 | zh_TW |
| dc.contributor.author (作者) | Hsu, An-Ting | en_US |
| dc.creator (作者) | 許安廷 | zh_TW |
| dc.creator (作者) | Hsu, An-Ting | en_US |
| dc.date (日期) | 2018 | en_US |
| dc.date.accessioned | 30-七月-2018 14:55:47 (UTC+8) | - |
| dc.date.available | 30-七月-2018 14:55:47 (UTC+8) | - |
| dc.date.issued (上傳時間) | 30-七月-2018 14:55:47 (UTC+8) | - |
| dc.identifier (其他 識別碼) | G0105356027 | en_US |
| dc.identifier.uri (URI) | http://nccur.lib.nccu.edu.tw/handle/140.119/119036 | - |
| dc.description (描述) | 碩士 | zh_TW |
| dc.description (描述) | 國立政治大學 | zh_TW |
| dc.description (描述) | 資訊管理學系 | zh_TW |
| dc.description (描述) | 105356027 | zh_TW |
| dc.description.abstract (摘要) | 台北市的房價居高不下，時至今日，要在台北市買一棟房子對於年輕人而言已非易事。在房地產市場中有許多因素都會影響房地產物件價值，不僅是房地產市場景氣，鄰里環境、生活機能、交通便利等等因素更是有顯著影響力的變因，而在討論台北市房價時，房地產具有多少價值才是合理價格是許多人心中的疑問，也是本研究主要探討之議題。 在眾多特徵值中，過去的研究中證實土地及房屋的可及性與其至市中心的距離大多主要是影響房地價的條件，Agostini and Palmucci (2008)亦提到大眾交通運輸工具帶來的交通易及性不僅使得生活便利，更帶來房地產價值的提升。基於過去基礎，本研究以路網完整性的結構作為影響變數之選擇，包含城市間移動的捷運系統，範圍較小但較密集的公車網路，以及在人們日常生活圈移動中做為代步工具的公共自行車(YouBike)。 本研究將就路網系統的面向，採用民國102-105年台北市實價登錄資料為樣本，透過將台北市網格化並依照每年度做時間調整，將台北市分為多個邊長100公尺的方形網格，經文獻探討後，採用交通特徵捷運、公車及公共自行車共3個變數作為模型輸入，並利用倒傳遞類神經網路方法建立地價預測模型，以單位網格作為輸入樣本訓練預測模型，探討交通特徵與地價的關聯性。 本文主要分為兩個研究階段，第一階段主要分為兩組實驗，預測各種交通特徵組合所代表的平均地價等級研究。第一組是將民國102年至民國105年總計共37840個單位網格樣本，隨機選取70%作為訓練集、30%作為測試集，分別做將地價分為四、五、六個等級的實驗，透過預測地價等級模型的預測結果分別為80.21%、79.81%、79.65%；而第二組是進階的將台北市民國102年至民國105年的單位網格合併成共2365個邊長400公尺大型網格，在這些大型網格內，依序從中機選出70%的單位網格作為訓練集、30%的單位網格作為測試集，同樣分別做將地價分為四、五、六個等級的實驗，透過預測地價等級模型的預測結果皆為79.26%。 第二階段研究主要是利用民國102年至民國105年資料訓練的地價預測模型，用來預測民國106年的平均地價並驗證之，此階段研究將平均地價區分為高價地段及低價地段區域，預測各網格未來之地價等級，所得平均準確度為65.71%。 透過此模型不僅可得各網格內所具有的特徵條件，亦能透過交通特徵組合預測各網格應具有之合理地價等級，並透過現有資料預測未來各網格分屬高價區域或低價區域。未來能增加特徵值或改用深度學習模型來進行試驗，加強地價預測模型準確度，亦能朝預測網格漲跌趨勢研究以增進此議題的研究廣度及深度。 | zh_TW |
| dc.description.abstract (摘要) | Because of the unusual high price of real estate in Taipei City, young mans have difficulties to buy a house for themselves. The problems deteriorate these days, so the research propose a model to predict the price of real estate in Taipei City. Among several features that can affect the price of real estate, the transportation features play the main role. In the past, researches also proved that the transportation accessibility has a great impact on real estate values. Based on these research, we choose three factors in our model including Taipei Metro that can extend the accessibility between cities, the bus lines that serves the entire city and You-Bike that covers smaller areas without bus services. According to those issues mentioned above, the purpose of this research is to estimate the landing price in Taipei City by using public transportation factors. Applying a data set with 86,716 real transaction records of real estate in Taipei in 2013-2016, we cut a Taipei City map into multiple grids, then we map the transactions to these grids. Based on these grids of side 100 meters, using a Back-Propagation Neural Network (BPN) to estimate the landing price in Taipei City. This research would like to know the relationship between traffic features and landing prices. The research will conduct two experiments to estimate the landing price in Taipei City by the traffic feature combinations, 37840 grid data will be used. We select 3 variables which may impact the value of real estate as input. Empirical study shows that: Firstly, we will pick 70% of the grid data in a random way as training data and the others as testing data. Dividing the landing price to the fourth level, fifth level, and sixth level, and observing the estimation performance. The result reveals that: 1) In the fourth level, the estimation accuracy is 80.21%. 2) In the fifth level, the estimation accuracy is 79.81%. 3) In the sixth level, the estimation accuracy is 79.65%. Secondly, we will merge these grids of side 100 meters into grids of side 400 meters. Then we pick 70% of the grid data in a random way from each grid of side 400 meters as training data, the others as testing data. Similarly, we grade the landing price to the fourth level, fifth level, and sixth level. The result reveals that no matter what level it is, the result is 79.26%. In the future, adding more features or using deep learning model may be a good way to improve the model performance. This estimation model can also be a reference of the support system of landing price valuation in the future. | en_US |
| dc.description.tableofcontents | 第一章 緒論 3 第一節 研究動機 3 第二節 研究目的 4 第二章 文獻探討 6 第一節 特徵價格法 6 第二節 影響不動產價格之特徵因素 7 一、 交通特徵對不動產價格之影響 7 二、 小結 10 第三節 房地價分離貢獻學說 11 一、 房地價格分離學說介紹 11 二、 房地價分離貢獻學說之爭論 12 三、 小結 14 第四節 類神經網路方法 15 一、 類神經網路與特徵迴歸方程式之比較 15 二、 小結 16 第三章 研究方法及設計 17 第一節 本研究整體研究架構 17 第二節 資料蒐集與整理 18 一、 資料蒐集 18 二、 變數挑選說明 20 第三節 類神經網路預測模型 22 一、 預測模型各層變數確認 23 二、 倒傳遞類神經網路模型建立 24 三、 模型驗證 26 第四章 實驗結果 27 第一節 網格化資料處理 27 一、 挑選交易標的，利用Google API找到其所在位置之經緯度座標 27 二、 依照不同建物類型扣除建築物成本價格 27 三、 台北市網格化 28 四、 大眾交通運輸工具站點資料處理 28 五、 民國106年度時間調整 錯誤! 尚未定義書籤。 第二節 倒傳遞類神經網路模型 29 一、 切割標準定義 29 二、 輸入變數選擇 31 第三節 第一階段實驗設計與結果 31 一、 實驗設計 31 二、 實驗結果 32 一、 資料前處理與時間調整 43 二、 切割標準定義 43 三、 實驗設計與結果 44 第五章 結論與未來展望 46 第一節 結論與建議 46 第二節 研究限制及未來展望 50 英文文獻探討 錯誤! 尚未定義書籤。 中文文獻探討 錯誤! 尚未定義書籤。 | zh_TW |
| dc.source.uri (資料來源) | http://thesis.lib.nccu.edu.tw/record/#G0105356027 | en_US |
| dc.subject (關鍵詞) | 房地產 | zh_TW |
| dc.subject (關鍵詞) | 資料探勘 | zh_TW |
| dc.subject (關鍵詞) | 倒傳遞類神經網路 | zh_TW |
| dc.subject (關鍵詞) | 特徵價格理論 | zh_TW |
| dc.subject (關鍵詞) | Real-estate | en_US |
| dc.subject (關鍵詞) | Data mining | en_US |
| dc.subject (關鍵詞) | Back-Propagation neural networks | en_US |
| dc.subject (關鍵詞) | Hedonic price theory | en_US |
| dc.title (題名) | 以交通特徵預測台北市房地產地價之研究-應用類神經網路之研究途徑 | zh_TW |
| dc.title (題名) | Predicting Real Estate Price using traffic features in Taipei city-A Neural Network Approach | en_US |
| dc.type (資料類型) | thesis | en_US |
| dc.relation.reference (參考文獻) | 英文文獻探討 1. Agostini, C. A., & Palmucci, G. A. (2008). The anticipated capitalisation effect of a new metro line on housing prices. Fiscal studies, 29(2), 233-256. 2. Horne, B. G., & Hush, D. R. (1994). On the node complexity of neural networks. Neural Networks, 7(9), 1413-1426.doi:10.1016/0893-6080(94)90089-2 3. Lancaster, K. J. (1966). A New Approach to Consumer Theory. Journal of Political Economy, 74(2), 132-157. doi:10.1086/259131 4. Lerman, S. R., Damm, D., Lerner-Lamm, E., & Young, J. (1978). The effect of the Washington metro on urban property values. 5. Nguyen, N., & Cripps, A. (2001). Predicting Housing Value: A Comparison of Multiple Regression Analysis and Artificial Neural Networks. Journal of Real Estate Research, 22(3), 313-336. 6. Rosen, S. (1974). Hedonic Prices and Implicit Markets: Product Differentiation in Pure Competition. Journal of Political Economy, 82(1), 34-55.doi:10.1086/260169 7. Stanley, M., Alastair, A., Dylan, M., & David, P. (1998). Neural networks: the prediction of residential values. Journal of Property Valuation and Investment, 16(1), 57-70. doi:doi:10.1108/14635789810205128 中文文獻探討 1. 丁福致（2001）。房地產價格拆算方法之研究，土地經濟年刊(12期)，頁235-256。 2. 王振軒（2018）。基於空間自相關與遞迴區域性分群方法的等同地價範圍劃分之研究。國立政治大學資訊管理學系未出版論文，台北市。 3. 王潔敏（2009）。大眾運輸系統對房地產價格之影響研究-以高雄大都會區為例。國立成功大學都市計畫學系博士班論文，台南市。 4. 江穎慧、莊喻婷、張金鶚（2017）。臺北市公共自行車場站對鄰近住宅價格之影響。運輸計劃季刊，46（4)，頁399-428。 5. 吳耿東（2002）。分配法疑義。鑑定論壇（5期），頁24-25。 6. 李怡婷（2005）。大眾運輸導向發展策略對捷運站區房地產價格之影響分析。國立成功大學都市計畫學系碩士論文，台南市。 7. 李曉隆（2002）。出租公寓之租金價格預測-複迴歸分析與類神經網路的比較。國立台灣科技大學企業管理學系碩士論文，台北市。 8. 周美麗（2003）。房屋現值評定之探討。稅務旬刊（1877期），頁12-18。 9. 林子欽、林子雅（2008）。公部門不動產估價成效評估－公平性之觀點。住宅學報，17（2），頁63-80。doi: 10.6375/jhs.200812.0063 10. 林炎欣（2008）。房價特徵模型之空間自我相關問題分析。國立成功大學都市計畫學系碩士論文，台南市。 11. 洪得洋、林祖嘉（1999）。臺北市捷運系統與道路寬度對房屋價格影響之研究。住宅學報（8），頁47-67。 12. 紀凱婷（2008）。台北市新推個案訂價之時間與空間相依性分析。國立政治大學地政學系碩士論文，台北市。 13. 高明志、蔡瑞煌、張金鶚（1998）。類神經網路應用於房地產估價之研究。國立政治大學地政學系碩士論文，台北市。 14. 張梅英（2002）。區分所有建物估價時之土地與建築物價值分配問題。鑑定論壇（5期），頁26-27。 15. 張勝翔（2008）。公共工程建設及相關公共設施對鄰近地區房價之衝擊分析-特徵價格法之應用。私立中華大學建築與都市計畫學系碩士論文，新竹市。 16. 陳忠廉（2013）。捷運對場站周邊房地價格之影響-『以台北市捷運南港線為例』。私立中國文化大學建築及都市設計學系碩士論文，台北市。 17. 陳建宏（2010）。以特徵價格法分析高鐵桃園站周邊不動產交易情形。私立中華大學建築與都市計畫學系碩士論文，新竹市。 18. 陳滿雄（1997）。不動產估價學。台北: 中華不動產鑑定中心發行。 19. 陳德翰、王宏文（2011）。臺北市房屋稅公平性之研究─兼論豪宅稅之合理性。行政暨政策學報（53），頁115-162。doi:10.29865/pap.201112.0004 20. 陳威宇 (2014)。運用資料探勘技術於台幣匯率趨勢預測之研究。國立政治大學資訊管理研究所碩士班，台北市。 21. 陳麒竹（2015）。淡水輕軌及相關公共設施對淡水新市鎮地區房價之影響。私立真理大學統計與精算學系碩士班，新北市。 22. 温弘裕（2015）。大眾運輸系統對房價的影響-以台北捷運信義線為例。國立政治大學行政管理碩士學程碩士論文，台北市。 23. 游振輝（2005）。從不動產總價分離房地價格之探討。土地問題研究季刊，4卷（3期總號15），頁96-105。 24. 游振輝（2007）。從房地價格分離探討公告土地現值查估之研究。國立政治大學地政學系碩士論文，台北市。 25. 程如予、黃台生（1986）。易行性與可及性對都市居住密度影響之研究。 國立交通大學交通運輸研究所碩士論文，新竹市. 26. 馮正民、許侶馨（1989）。屬性價格函數在捷運北淡沿線地價分析之應用。都市與計劃，16，頁113-130。 27. 黃佳鈴、張金鶚（2005）。從房地價格分離探討地價指數之建立。臺灣土地研究，8卷（2期），頁73-106。 28. 葉怡成（2003）。類神經網路模式應用與實作。台北市: 儒林。 29. 詹旻華（2006）。自房地價格分離土地價值之方法。國立臺北大學不動產與城鄉環境學系碩士論文，新北市。 30. 鄭琬尹（2012）。捷運站設立對住宅價格影響之空間分析─以高雄都會區為例。長榮大學土地管理與開發學系碩士論文，台南市。 31. 魏如龍（2003）。類神經網路於不動產價格預估效果之研究。國立政治大學地政研究所碩士論文，台北市。 32. 羅偉誠（2009）。大眾捷運車站進出人潮流量對周邊房地產價格影響之探討-從臺北捷運 (板南線) 看上海地鐵之發展。私立淡江大學中國大陸研究所碩士論文，新北市。 | zh_TW |
| dc.identifier.doi (DOI) | 10.6814/THE.NCCU.MIS.009.2018.A05 | - |
