Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2020110274 - DISPOSITIF DE PRÉDICTION DE PRIX DE VENTE

Document

明 細 書

発明の名称 売却価格予測装置

技術分野

0001  

背景技術

0002   0003   0004  

先行技術文献

特許文献

0005  

発明の概要

発明が解決しようとする課題

0006   0007  

課題を解決するための手段

0008   0009  

発明の効果

0010  

図面の簡単な説明

0011  

発明を実施するための形態

0012   0013   0014   0015   0016   0017   0018   0019   0020   0021   0022   0023   0024   0025   0026   0027   0028   0029   0030   0031   0032   0033   0034   0035   0036   0037   0038   0039   0040   0041   0042   0043   0044   0045   0046   0047   0048   0049   0050   0051   0052   0053   0054   0055   0056   0057   0058   0059   0060   0061   0062   0063   0064   0065   0066   0067   0068   0069   0070   0071   0072   0073   0074   0075   0076   0077   0078   0079   0080   0081   0082   0083   0084   0085   0086   0087   0088   0089  

符号の説明

0090  

請求の範囲

1   2   3   4   5   6   7   8   9   10   11   12   13   14   15   16   17   18   19   20   21   22   23  

図面

1   2   3   4   5   6   7   8   9   10   11   12  

明 細 書

発明の名称 : 売却価格予測装置

技術分野

[0001]
 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。

背景技術

[0002]
 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。
[0003]
 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。
[0004]
 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。

先行技術文献

特許文献

[0005]
特許文献1 : 特開2005-208703号公報

発明の概要

発明が解決しようとする課題

[0006]
 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。
[0007]
 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。

課題を解決するための手段

[0008]
 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。
[0009]
 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。

発明の効果

[0010]
 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。

図面の簡単な説明

[0011]
[図1] 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。
[図2] 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。
[図3] 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。
[図4] 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。
[図5] 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。
[図6] 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。
[図7] 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。
[図8] 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。
[図9] 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。
[図10] 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。
[図11] 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。
[図12] 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。

発明を実施するための形態

[0012]
 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)
[0013]
 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。
[0014]
 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。
[0015]
 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。
[0016]
 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。
[0017]
 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。
[0018]
 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。
[0019]
 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。
[0020]
 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。
[0021]
 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。
[0022]
 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。
[0023]
 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、“72.72m ”、“75.34m ”、主要開口部の方位360は、“南東”等の情報である。
[0024]
 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。
[0025]
 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。
[0026]
 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。
[0027]
 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。
[0028]
 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。
[0029]
 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/m )”、“神奈川県横浜市保土ケ谷区初音ケ丘141番11:174,000(円/m )”等の情報である。
[0030]
 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。
[0031]
 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。
[0032]
 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。
[0033]
 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。
[0034]
 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。
[0035]
 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。
[0036]
 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。
[0037]
 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/m と、を一組の学習用情報380として紐付ける。
[0038]
 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。
[0039]
 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。
[0040]
 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。
[0041]
 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。
[0042]
 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。
[0043]
 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。
[0044]
 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。
[0045]
 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。
[0046]
 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。
[0047]
 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。
[0048]
 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。
[0049]
 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。
[0050]
 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。
[0051]
 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。
[0052]
 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。
[0053]
 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。
[0054]
 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)
[0055]
 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。
[0056]
 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。
[0057]
 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。
[0058]
 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。
[0059]
 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。
[0060]
 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。
[0061]
 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。
[0062]
 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。
[0063]
 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。
[0064]
 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。
[0065]
 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。
[0066]
 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。
[0067]
 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。
[0068]
 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/m と、を一組の学習用情報380として紐付ける。
[0069]
 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。
[0070]
 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。
[0071]
 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。
[0072]
 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。
[0073]
 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。
[0074]
 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。
[0075]
 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。
[0076]
 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。
[0077]
 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。
[0078]
 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。
[0079]
 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。
[0080]
 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。
[0081]
 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。
[0082]
 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。
[0083]
 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。
[0084]
 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。
[0085]
 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。
[0086]
 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。
[0087]
 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。
[0088]
 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。
[0089]
 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。

符号の説明

[0090]
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

請求の範囲

[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。
[請求項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。


図面

[ 図 1]

[ 図 2]

[ 図 3]

[ 図 4]

[ 図 5]

[ 図 6]

[ 図 7]

[ 図 8]

[ 図 9]

[ 図 10]

[ 図 11]

[ 図 12]