不動産「AI価格査定」という宣伝文句の裏側にあるもの（2/3ページ）

不動産価格は需給で決まる？　そんな単純明快なものではない

読者の皆さんは、不動産の価格というものがどのように決定されるのか、ご存じだろうか。プロの不動産屋でも、論理的に価格形成におけるプロセスを説明できるエージェントは少数だろう。

断っておくが、“価格は需給関係で決まる”なんて単純明快にはいかない。

だって、実際に売買される最終価格の基になっているのが売り出し価格であり、それがあるからセラーとバイヤー間で交渉が始まるのであり、最終価格は本題とは関係ないのである。

すなわち、価格査定とは、売り出し価格の信憑性を問われる作業であって、これができない不動産屋は絶対に信用してはならない。

で、今現在不動産屋の査定と言えば、結論的には「取引事例比較法」ということになり、近傍類似の物件の最終価格を基に、個別の重みづけ（特徴や長短所などを評価）を行って、最終的には鉛筆を舐め舐めして決めるのである（いや、うちは公財不動産流通推進センター監修の価格査定マニュアルや独自のプログラムを使って査定しています！なんて業界のツールの話をしているのではないので、業者さんは怒らないで読んでね＾＾：）。

一方、不動産鑑定士さんの鑑定価格（評価という）は、規定の評価法を用いて最有効使用（その不動産が最も輝く利用に適した状態）を原則として利用価値に対する評価を表すものだから、それで売れるというものではない。しかし、不動産屋の査定は、それで売れないと困るのである。

築10年で◯千万円です！　イメージ／©︎artisticco・123RF

～閑話休題～

さて、AIを活用して不動産価格査定が可能かどうかの研究が始まった。

雑駁に説明すれば、この場合は、大量かつ正確な物件情報に関するデータを反復学習させ、使用データと価格との関係性に一定のパターンを認識させる作業である。

当初この研究は、関西有名私大のAI研究の第一人者であるT教授の指導と協力の下、多層ニューラルネットワークを用いたディープラーニング手法で行った。そこから特有のアルゴリズム（問題を解くための数学的計算手順）を導き出し、データ種類を加減したり、個別要因を数値化したものを付加したりしながら、実際の取引事例価格に近付けていくのだ。そうして得た結果を基に18年の人工知能学会全国会において論文発表を行った。

100万円単位の認識精度モデル　グラフ提供／公社近畿圏不動産流通機構

その後はパートナーをAIソリューション事業で国内有数の企業に移し、実務に対応できるシステムとして実現可能性を検証した。その検証過程では、我々近畿レインズの役員（不動産業者）がワークショップに参加し、現行レインズシステムでは収集できない不動産価格に影響を与える項目（周辺環境や心理的、外的要因など）を洗い出し、それら流動的な項目についても重みづけを施して数値化するなど、より実勢価格に近付ける努力を行ったのだが、これを加味すればするほど導き出される価格と事例価格との乖離が顕著となり、ディープラーニング手法によるAI査定の実現可能性は遠のく結果となった。

それは、けっこうな時間と労力、レインズに格納されている膨大な成約事例データの一部（5万件以上）を使って挑んだものの、企業側の検証結果報告では、レインズ成約事例に備わっているデータ項目と、それ以外の関連データ、そして登録されたデータの正確性、未入力項目の多さなどから、成約事例による価格査定にはディープラーニングよりも回帰分析手法（ヘドニック・アプローチ）を採用すべきとの結論が出されたのだ。

回帰分析とは、関数をデータに当てはめることによって、ある変数Yの変動を別の変数Xの変動により説明と予測、影響関係を検討するための手法だから、目的変数を「取引予想価格」、複数の説明変数をX（例えばマンションの場合、階数、床面積、部屋数、築年数……など）として重回帰モデルを使って予想価格を推定することだ。

いわゆる“統計”的な考え方がベースであるので、前後10％程度の範囲までの推定が可能となるが、データ数の少ない超低額物件や超高額物件、取引件数の少ない地域の価格予想には適さないことが分かった。

　
線形回帰分析（左図）とニューラルネットワーク（右図）イメージ

次ページ ▶︎ |　「AI価格査定」は推定価格？