第二章 相關理論與文獻回顧
第四節 自動估價系統
不動產自動估價模型(Automated Valuation Model, AVM)便是建立於電腦軟體工 具基礎之上，而發展出的一套估價方法。
關於自動估價系統(AVM)之定義，首先，張欣民與陳奉瑤(2003)認為 AVM 是利用一連串統計學、數學上、類神經網路以及人工智慧(AI)程式經由電腦計算
‧
民抵押貸款協會」(Fannie Mae)及「美國聯邦住宅貸款抵押公司」(Freddie Mac)，都鼓勵使用自動估價系統作為抵押貸款估價方法(Valentine, 1999)，其受重視主要 原因是自動估價系統可增加估價一致性和客觀性(江穎慧，2009)。張欣民與陳奉 瑤(2003)則提到由於傳統估價時間較長、費用較高，且常參雜估價人員個人意見，
因此為AVM 提供很好的發展機會。
然而，自動估價系統仍受到些許限制，使得其應用仍面臨些許挑戰。
Fisher(2002)認為 AVM 存在著系統風險，當模型建立所使用的資料無法反映市場 情況時，可能會偏離市場價值。花敬群(2010)指出目前實務上仍面對資訊完整性 主要分為兩大系統，其一為指數型(The Index Model)，該系統是以價格為導向，
以某一地單一標的不動產在一段期間內重複銷售的價格，製作成一個房價指數模
‧
(AKA Matched Pair Analysis)或是重複銷售模式(Repeat sales)。該系統不必要有大量的資料(例如面積、車位大小)就能運作，但該方法並不 是一種明確的估價方法，且資料的「品質」在其指數的品質中佔有舉足輕重的地 位。倘若指數當中包含人工估出的價值或是有非正常交易的成交情形(non-arm's length transactions)，或缺乏考慮到頻繁交易、裝修復再賣等情形，事實上許多指 數模型是沒有能力剔除這類成本上之差異 (張欣民、陳奉瑤，2003)。
‧
林秋瑾,2012)。花敬群(2010)亦指出類神經網路複雜的進行過程在隱藏層(hidden layer)，且輸出階段缺乏明確的模型結構，必須謹慎處理資料分析與資料結構與 (mean absolute percentage error, MAPE)和命中率(Hit-Rate)(江穎慧，2009)。許多 相關文獻皆採用前述衡量指標，例如沈育生與林秋瑾(2012)、龔永香、江穎慧與 張金鶚(2007)、陳奉瑤與楊依蓁(2007)、張怡文、江穎慧與張金鶚(2009)、林祖嘉 與馬毓駿(2012)等。
‧
平均絕對百分比誤差(mean absolute percentage error, MAPE)是用以觀察整體 誤差絕對值的統計量，其公式如(式 1)所示，若平均絕對百分比誤差(以下簡稱 比誤差(MAPE)與命中率(Hit-Rate)的研究，Rossini & Kershaw (2008)建議自動估 價系統平均絕對百分比誤差 13%以下，而誤差在正負 10%內和 20%內的命中率 應分別達 50%和 80%始有符合基準；Calhoun(2001)研究指出美國自動估價系統 模型的命中率落在4%與 73%之間，而命中率的中位數為 48%。中位數絕對預測 誤差落在8.1%與 20.9%之間，其中位數為 9.9%；Matysiak & Wang(1995)研究模 型之命中率測試，其誤差在正負 10%內的命中率達到 30%，落在正負 20%達到 70%；林祖嘉與馬毓駿(2012)利用多層次貝氏模型對臺北市 2004 年至 2007 年間 之大廈與公寓價格分別估計，其 MAPE 分別為 16.1%4 和 15.38%，誤差落在正
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
第二章 相關理論與文獻回顧
負10%和 20%內的命中率分別為 39.97%、67.72%和 40.50%、70.99%；江穎慧(2009) 採用的模型平均絕對百分比誤差為15.48%；落在正負 10%與 20%的命中率分別 為 41.82%與 71.65%；陳奉瑤與楊依蓁(2007)所建立的大量估價半對數模型，其 MAPE 為 17.97%，誤差落在正負 10%內的命中率為 43%，誤差落在正負 20%內 的命中率為 63%；林祖嘉與馬毓駿(2007)的研究模型，MAPE 介於 15.64%和 25.49%之間，誤差落在正負 10%內的命中率介於 33.73%到 43.82%之間，誤差落 在正負20%內的命中率介於 62.28%到 74.56%之間。關於精準度測試門檻設定，
張怡文等(2009)設定交易價格正負 20％差異範圍內的 Hit Rate 維持 70%以上，表 示此估價模型有顯著較佳預測能力；龔永香等(2007)設定在正負 10%與 20%誤差 以內的命中率(Hit-Rate)要達到 30%以及 70%以上，表示此估價方法才會有顯著 的較佳預測能力；沈育生與林秋瑾(2012)設定在正負 10%以內的命中率(Hit-ratio) 大約要達到30%以上，此估價方法才會有顯著的較佳預測能力。而交易價格在正 負20%差異範圍內的命中率(Hit ratio)維持在 65%~70%以上則是該研究設定的最 低門檻。
參考相關研究結果，例如龔永香等(2007)、陳奉瑤與楊依蓁(2007)、張怡文 等(2009)、楊宗憲與蘇倖慧(2011)、林祖嘉與馬毓駿(2012)和謝博明(2015)等，並 考量前述文獻所示之資料限制與實證成效。本文設定模型在平均絕對百分比誤差 (MAPE)在 15%至 20%，落在正負 10%與 20%誤差以內的命中率(Hit-Rate)應達到 35%以及 60%以上，表示本文自動估價系統有顯著較佳的預測能力。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University