暗黙知に基 く飲食店用不動産 賃料推定シス ム
Rental fee estimation system of real estate properties
for restaurants based on tacit knowledge
荒川 周造
1
諏訪 博彦
1
川 祐樹
2
荒川 豊
1
安本 慶一
1
太 敏澄
Shuzo Arakawa
1, Hirohiko Suwa
1, Yuki Ogawa
2, Yutaka Arakawa
1, Keiichi Yasumoto
11
奈良先端科学 術大学院大学
1
Nara Institute of Science and Technology
2
立命館大学
2
Ritsumeikan University
Abstract: In this paper, we propose a novel rent estimation method of real estate properties for restaurants. Previously determining the rent was based on the tacit knowledge, that is, intuition and experience gained by experienced salespeople. However, this business custom has problems (e.g., no evidence to the determined rent). Therefore, the transference of the knowledge and experience from the experienced salespeople to fresh one, is not effective. We propose a new rent estimation model which solves the above problems, and construct a rent estimation system based on the model. In order to build a model, we focus on the overt information and potential information. The overt information can be classified as follows: static information and dynamic information. The static information and dynamic information can be indexed by the salespeople. However, some parts of the indexing include scoring data manually by the salespeople. On the other hand, potential information can not indexed by the sales people. In this thiesis, we build the rent estimation concept model based on above three factors. In addition, we discuss about the specific challenges in building the proposed system, that are (1) acquisition and indexing of the tacit knowledge and (2) construction of a rent estimation model. To tackle the challenge (1), we interviewed the experienced salespeople of ABC-tenpo Inc., and extracted some factors related to the rent estimation. Based on the result, we determined parameters (variables) representing static information, dynamic information and potential information. To tackle the challenge (2), we developed a rent estimation model by Random Forest algorithm of machine learning. Through experiments, we confirmed that the dynamic information was most effective in estimating basic rents. Also, we confirmed that the potential information was superior in adjusting rents. Finally, the case of using all factors achieved the highest accuracy that coefficient of determination was 0.738.
Keyword: Rental fee estimation, Machine learning, Data mining
1. じめに
飲食店用 動産物件 賃料 豊富 経験を持
ン営業 ン 勘や経験 暗
黙知 い 決定 い ．一方 経験 浅い
新人営業 ン い ン営業 ン 様
賃料決定 う 望
ン営業 ン 暗黙知 継 課
い ． 来手法 賃料決定 根拠
を示 い ン営業 ン 新人営業
ン 知識伝達 い いう問 を抱え い ．
々 SECI [1]を 新 賃
料 推 定 概 念 [2]を 提 案 い ．SECI 知識 暗黙知を表出化 形式知
連結化 概念 共有 伝 可能
を示 あ ．言い換え
ン営業 ン 暗黙知 表出化 形式知
連結化 共有 伝 可能 ．
賃料を決 要素 営業 ン 指標
化 い 顕在的情報 あ 物件自体
持 静的情報 物件 状態 直接関連 変動
動的情報 類 ．静的情報 物件固有 情
報 あ 多く 動産価格推定 関 先行研究
[3][4][5] 使用 い ． 動的情報 物
件 独立 変化 情報 あ ．一方 営業
ン 指標化 い 物件 特徴を
含 潜在的情報 賃料決定 影響 い 考え
．先行研究[3][4][5] 一般住宅物件を対象
静的情報 主 用い い 飲食
店 動 的 情 報 や 潜 在 的 情 報 要 あ 3
要素 賃料を推定 概念 を構築 ．
概念 を元 飲食店用 動産会社 あ 株
式会社 ABC 店舗 協力 賃料推定 構
築 検証を行う． 構築 課
(1)暗黙知 得及び指標化
(2)機械学習 く賃料推定 構築 あ ．
課 (1) 実現 向 々 株式会社 ABC 店 舗 営業 ン ン ュ を行い 賃料推定 関
係 要素を 出 ． 結果 静的情
報 動的情報 潜在的情報 用い 具体的 変 数 決定 ．静的情報 ABC店舗 HP 顧 客 提供 い 一般的 物件情報 あ ．動的
情報 周辺地域 価値 物件 見 や 変
数 あ ．周辺地域 価値 平均賃
料を用い 指標化 ． 店舗 見 や
指標 店舗前 通行 店舗 視認性を営
業 ン コ ン を活用 ．
コ ン 指標化作業 個人
差異 生 根拠あ を構築
望 い 言え い． 本研究
通行 を機械的 得可能 通行 セン ン [6]を独自 開発 実験を通 有用性
い 検証 い ． 潜在的情報 物件
営業用 コ を 自然言語処理
術を用い 指標化 ．本稿 出
詞 加え 形容詞 い 指標化 ．
課 (2)を実現 賃料推定 を ン
[7]を用い 構築 ．3 要素 賃料推定 え 影響を比較 結果 動的情報
本価格 推定 優 潜在的情報 価格調整 優
い 確認 ． 要素を
使用 場合 決定係数 0.738 最 精度
良く を確認 ．
以 本稿 構 い 述 ．第2章 賃
料推定概念 い 明 ．第3章
各要素 得 指標化手法 い 述 ．第4章
機械学習 く賃料推定 い 述
．第5章 考察 第6章 ．
2. 賃料推定概念 ル 構築
ン営業 ン 勘や経験 暗黙知を
賃料決定手法 物件 あ わ
賃料 営業 ン 異 ．
う 知識 新人営業 ン 伝 OJTや共
作業 い 非効率 作業 行わ い ．
暗黙知 伝 を 正 く効率的 行う
新人営業 ン 賃料決定 を概念 得
自 学習 あ 望 い．
飲食店を対象 概念 必要 ．
う 暗黙知を伝 知識創造
中 提案 い SECI あ
． SECI を 1 (1)〜(4) 示 ． 中 知 識 創 造 (1)共 化 暗 黙 知 → 暗 黙 知
→(2)表出化 暗黙知→形式知 →(3)連結化 形式知
→形式知 →(4) 面化 形式知→暗黙知 →(1)共
化 い サ を繰 返 可能
． 暗黙知 言語化 い知識を意味
形 式 知 言 語 化 知 識 を 意 味 ．SECI 知識 暗黙知を表出化 形式知
連結化 概念 共有 伝
可能 を示 い ．言い換え
ン営業 ン 暗黙知 表出化 形式知
連結化 共有 伝 可能 ．
本研究 SECI い
1 示 う 賃料推定概念 を構築 ．
ン営業 ン 暗黙知 形式知 表
出 化 ． ン営業 ン
対 ン ュ 調査を実施 い ．
ン営業 ン 賃料推定 影響を え
要素 回答 指標 得可能 情報を顕在
的情報 ．顕在的情報 変数 性質
い 整理 物件固有 静的情報 物件
直接関連 変動 動的情報 2種類 類
． 営業 ン自身 言葉 い
ゆえ形式知 あ いえ 指標化
1 賃料推定概念
機械学習 自然言語処理
センシング
賃料決定概念 の抽出 静的情報 動的情報 潜在的情報
共同化 (1) 表出化 (2)
連結化 (3) 内面化 (4)
新人営業マンの 自己理解 OJT 共同作業
要素の指標化 賃料決定に影響のある
要素の摘出
概念の利用
あ 営業 ン 主観 コ ン を活用
一部 個人 差異 生 ． 問
セン ン 術を活用 特定 変数を機
械的 得 解決 ． 営業 ン
回答 賃料決定 影響 あ 考
え 要素 潜在的情報 あ ．潜在的情
報 指標化 い い 顕在的情報
う 静的情報 動的情報 類 断
い要素 あ ． 要素 い 物件 関
記述 い 包 い
考え 自然言語処理 術を活用 指標化 ．
次 機械学習を用い 指標化 要素 賃
料 関係を連結 化 ．機械学習 結果
賃料推定概念 出 来 問 解決
． 暗黙知 形式知 出
営業 ン を共有
を意味 ． 概念 出 新
人営業 ン 伝 を可能 あ を示 い ．
3.
要素 取得・指標化
ン営業 ン 暗黙知を表出化
実施 ン ュ 顕在的情報
具体的 変数 回答 ．本章 変
数 得 指標化 い 明 ．
静的情報 居抜 有無 駅 歩時
間 階数 坪数 挙 ．居抜 物件
付 什器 ン ン
等 設備 を意味 有無を0 1
表現 ． 変数 株式会社 ABC 店舗
Web 公開 い 物件情報 提供
改 指標化を行う必要 い．
次 動的情報 地域 ン 物
件周辺 価値 店舗 視認性 店舗周辺 通行
回答 ．地域 ン 最寄 駅
平均坪単価を算出 物件 坪数を掛 合わ 駅
推定賃料 定義 指標化 ．店舗 視認性
店舗周辺 通行 積を 物件 見
や を表 指標 利用 ．本研究
2 変数 営業 ン 5段階 コ ン
数値を使用 ． コ ン
指標化 個人 差異 生 問 あ ．
々 問 セン ン 開発
解決 考え 実際 通行 を 得可能 セ
ンサを開発 実験 有用性を確認
い [6]．一方 視認性 い 間口面積や看板
大 を活用 指標化 可能性 あ
周 あ 植え込 や建造物 要因を盛
込 い 問 あ 検討
必要 あ ．
挙 変数 顕在化 い 情報
あ 潜在的情報 営業 ン 指標化
い情報 あ ． 々 情報を営業 ン 記述
い 物件 コ を 得可能 あ
仮定 賃料 コ 中 詞 関
係 指標化 い [2]． コ 物件
特徴 記述 本稿 詞 加え
形容詞を形態素解析 出 単語 賃料
関係を求 ．形容詞を加え 理 詞
意味付 正 対 理 あ
あ ． コ
容 多い 大通 いう 詞 あ 大通
面 い 近く あ 連想 賃料を
効果を期待 万 一 大通
遠い 記述 い 対 起 ．一
方 コ 動詞や副詞 あ 活用
い 助詞や助動詞 物件 状態を 明
い 本稿 詞 形容詞を 出 ．
一般性を確保 一 物件
出現 用語 対象 除外 い ． 指標
化手法 静的情報 動的情報 を用い
推定 賃料 実際 賃料 比を求 ．
値 0.9以 推定賃料＜実際 賃料
賃料を 潜在的要因 あ 仮定
ワ 群 ． 1.1以 推定賃料＞
実際 賃料 賃料を 要因 あ
．ネ ワ 群 ．
値を物件毎 積を 指標 ネ
指標 指標化 ．
4. 機械学習に基 く賃料推定シス ム
4.1. 賃料推定 ル 構築と評価
本 節 賃 料 推 定 構 築 評 価 い
述 ．
4.1.1. 賃料推定 ル 構築
賃料推定 実現 機械学習
い 推定 構築 必要 あ ．機械学習
手法 ン 回 析を用い ．
構築 用い 指標 静的情報 動的情報
潜在的情報 あ ． 要素 賃料推定 対
影響力を確認 具体的 表1 示
7 い を構築 ．
定 的 精 度 評 価 各 毎 決 定 係 数 R
2
推定値 平均二 誤差 RMSE：Root Mean Squared Error を比較 行う．用い 決定係数 定 義 (1)式 通 あ ． �! 実績値 �! 推 定 値 � 実 績 値 平 均 を 示 い ． 実 績 値 実際 賃料 を示 株式会社 ABC 店舗 実
際 契約 至 賃料 あ ． 値 ン
営業 ン 暗黙知を含 真値 疑
問 可能性 あ ． 動産価格
需要 供給 ン 決定
本研究 原則 い を真値 ．
決定係数 最 良い コ 値 1.0 あ 値
負 得 ． RMSE (2)式 求
． N 全 予 測 対 象 数 を 示 い ． RMSE 推定値 実績値 離度を示
推定精度 悪 を評価 指標 あ ． 0 近い程優 い いえ ．
�!= 1 − �!− �!
!
�!− � !
(1)
���� = 1
� �!− �!
!
!
!!!
2
学習 対象物件 東京都 飲食店用
動産物件 あ ． う 推定 使用
セ 60 万 以 184 物件を対象
い ． 高 物件 特 多
く 推定 外 値 え 排除 い ．
平 均 賃 料 266,987 あ 中 央 値 250,000 あ ． 機械学習 い 作
汎化性能を評価 3-fold 交 差検証を行う． 構築 用い
木 深 =15 固定 木 数 用い 特徴
数を サ 表1 示 値 得 ．
表1 各 機械学習
番号 用い 要素 木 数 特徴 数
1 静的情報 26 2
2 動的情報 26 1
3 潜在的情報 10 1 4 静的 動的 18 3 5 静的 潜在的 18 3 6 動的 潜在的 29 3
7 要素 18 3
表2 機械学習 く賃料推定結果
番号 決定係数R
2±σ RMSE 1 0.250±0.0577 88212 2 0.510±0.00445 71314 3 -0.0445±0.0202 102144 4 0.638±0.0270 62394 5 0.447±0.0692 75190 6 0.734±0.00902 52987 7 0.738±0.0120 52494
4.1.2. 賃料推定 ル 評価
構築 推定 評価 3-fold交差検証
い 行う．推定 求 結果を表2 示
． 決定係数 3 回 コ 平均値
標準偏差を求 評価 RMSE い
セ を3 1 推定 結果を組
合わ 全物件 対 推定値 算出 ．
最 賃料決定 影響 い 要素を 出 要素を1 用い 場合 士
比較を行う．静的情報を用い 場合 1
決定係数 0.250 あ RMSE 88212 あ
． 動的情報を用い 場合 2 決
定係数 0.510 RMSE 71314 あ ．
潜在的情報を用い 場合 3 決定係数
-0.0445 あ RMSE 102144 あ ． 動的情報 を用い 場合 静的情報 約2倍
決定係数 得 3 要素 中 最 精
度 良い 確認 ． 静的情報 動
的情報を用い 場合 4 決定係数 0.638
あ RMSE 62394 あ ． 2
要素 組 合わ 精度 向
確認 ．
一方 潜在的情報 決定係数 負 賃料
決定能力 い ．決定係数 複数
異 定義 存在 統計 使
わ 定義 異 Eisenhauer[8] 明 い ． Motulsky [9] 差平方和 全平
方和を 回 う 適 を選択 場合
決定係数 負 可能性 あ を 明
い ． 潜在的情報単独 負 決
定係数 出現 適 あ 賃
料を 明 能力 い 示 ．
静的情報 潜在的情報を用い 場 合 5 決定係数 0.447 あ RMSE 75190 あ ． 動的情報 潜在的情報を用 い 場合 6 決定係数 0.734 あ RMSE 52987 あ ． 潜在的情報
推定能力 い 静的情報 組 合わ
約1.8倍 0.447 動的情報 約1.4倍 0.734
価格調整 優 い 確認 ．
最後 情報を用い 場合 7
決定係数 0.738 あ RMSE 52494 あ ． 結果 決定係数を 準 考え 賃料推定
情報を用い 場合 最 い精度 得
確認 ． 6 差
わ あ 6 29個 学習木 必
要 あ 6 割程度 木 数 等以 性能を
実現 静的情報 価値 あ
．逆 言え 物件 詳細 情報 鮮
明 場合．動的情報 潜在的情報 推定
い い ．
結果 い 営業 ン 確認 結果 現場 十
参考 回答を得 い ． 物件
数万 単位 価格操作 日常的 行わ 数
十万 決定 賃料 対 十 精
度 あ いえ ．
4.2. 賃料推定 ル シス ム化
本研究 提案 い 賃料推定概念 い
実際 新人営業 ン 伝 を行う
推定 を営業現場 利用可能 化
必要 あ ．具体的 推定 を新人営業
ン 自身 活用 各種条件 対 賃料推定結
果を学習 いく 知識 伝 を行え 狙い
あ ． 推定 現存 セ
構築 検証を行 い
利用 多く を 集 う
を活用 学習 検証を繰 返
将来的 精度向 期待 ．
実際 営業 ン 活用 う
改善点 発見 期待 ．
推定 を営業現場 利用可能 Web
ョン化を行 ．構築 賃料推定 利用画面を 2 示 ．
本 株式会社 ABC 店舗 設置 い
サ 入 Web ョン
営業 ン 各 PC 利用可能 い ．
使い方 機械学習 入力 あ 賃料推定
各要素を選択 入力 推定 ンを
推定賃料 部 表示 う
い ． 推定賃料 地域 ン
あ 駅推定賃料 を 部 表示 い ．
推定 活用 い い 物件 住所を
入力 セ 中 最寄 5 物件を
コ ン 出 部 表示
う い ．
5. 考察
5.1. 賃料推定シス ム 利活用に い
4.2節 述 機能を新人営業 ン 活
用 物件や を変え 結果を見 学
習 ン営業 ン 暗黙知
継 ． 入力 情報
セ 元PC IP 共 CSV
記録 う 新規物件 住所 物
件 特徴 を紐付 集 ．
営業 ン 依頼 コ ン
2 賃料推定 利用画面
い 視認性 通行 主観 を自動的 集
う 今後 精度向
更新 活用可能 ． 本
精度向 を繰 返 熟 後 既存物件 対
賃料推定を行え 既存物件賃料 外 値 探
索 活用 考え ．具体的
意向 考慮 い い要因
値付 い 物件 発見 活用
期待 ．
5.2. 地域ポ ンシ ルに い
地域 ン 路線価を使用 駅推定賃
料 理 得 容易 賃料 高い関
連性 期待 挙 ．
正当性を確認 路線価を地域 ン
活用 賃料推定を行い 駅推定賃料を活用
場合 比較を行う．駅推定賃料 様 路線
価 坪数 路線価推定賃料 地域 ン
組込 ．
保有 い セ 路線価
い物件 含 予 除
外 169物件 比較 ．比較 動的情報
全 情報を活用 場合 あ ．表3
推定結果を示 ． 括弧 数値 番
号を示 ．駅推定賃料を使用 際 結果 表 2
異 構築 活用 い 物件数
表3 地域 ン 比較
地域 ン 決定係数R
2±σ RMSE 駅推定賃料 2 0.427±0.0251 77960 路線価推定賃料 2 0.172±0.0835 92750 駅推定賃料 7 0.690±0.0112 57925 路線価推定賃料 7 0.665±0.0175 60604
異 あ ．結果 動的情報 を用い
場合 全 要素を用い 場合 両方 い
駅推定賃料 賃料 決定 優 い ．
5.3. 形容詞を用い 効果
コ 情報 詞 く形
容詞 出 必要性 い 述 ．
い 詞 場合 詞 形容詞 場合
賃料推定を行う 比較を行い 正当性を
確認 ．比較 潜在的情報を用い 5 静
的 潜在的 6 動的 潜在的 7
静的 動的 潜在的 い 行う． 3 潜
在的情報 い 賃料決定能力 い
既 明 い 利用 い．
表6 比較結果を示 ．表 全 番
号 い 形容詞を用い 場合 方 詞
場合 決定係数 大 い ．
わ 形容詞を使用 精度向
貢献 い いえ ． 潜在的情報
い 形容詞 併用 有意義 あ
確認 ．
6. おわ に
本研究 飲食店用 動産向 賃料推定
実現 向 機械学習 く賃料推定
構築 化を行 ．定義 各要素
影響 い 決定係数を比較 結果 動的情
報 本価格 推定 優 を確認 ．
潜在的情報 単独 賃料推定能力 い
他 要素 組 合わ 価格調整
優 い を確認 ． コ
中 詞 加え 形容詞を 出 精
度 向 を確認 ．最終的 全
情報を用い 0.738 最 高い コ 得
． 平均二 誤差 RMSE 52494 平均賃料 約26万 あ 対 実用
的 精度 推定 い いえ ．一方
10 万 前 後 格 安 物 件 対 誤 差 割 合 未 大 い いう点 改善 余地 あ ．
今後 課 本研究 提案 構築 賃
表4 形容詞 有無 決定係数 比較 番号
詞 詞 形容詞
決定係数R
2±σ
決定係数R
2±σ
5 0.435±0.0695 0.447±0.0692 6 0.726±0.0299 0.734±0.00902 7 0.731±0.0154 0.738±0.0120
料推定 を営業現場 実際 使用 う
精度向 や実用性 関 評価 組
あ ．
謝辞
本 研 究 一 部 科 学 研 究 費 補 助 金 挑 戦 的 萌 芽 研
究 15K12161 助 を あ ． 研
究 提 供 協 力 い い 株 式 会 社 ABC店舗 皆様 感謝い ．
参考文献
[1] Nonaka, I., and Hirotaka, T.: The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford university press (1995)
[2] 荒川周造 諏訪博彦 川祐樹 荒川豊 安本慶一
太 敏澄：潜在的情報を用い 飲食店用 動産賃料推
定 第23回社会情報 学 ン
(2017)
[3] Victor Gan, Vaishali Agarwal, Ben Kim: DATA MINING ANALYSIS AND PREDICTIONS OF REAL ESTATE PRICES, Issues in Information System Volume 16, Issue IV, pp.30-36 (2015)
[4] Chih-Hung Wu, Chi-Hua Li, I-Ching Fang, Chin-Chia Hsu, Wei-Ting Lin, Chia-Hsiang Wu: HYBRID GENETIC-BASED SUPPORT VECTOR REGRESSION WITH FENG SHUI THEORY FOR APPRAISING REAL ESTATE PRICE, 2009 First Asian Conference on Intelligent Information and Database Systems, pp.295-300 (2009)
[5] Vincenza Chiarazzo, Leonardo Caggiani, Mario Marinelli, Michele Ottomanelli: A Neural Network based model for real estate price estimation considering environmental quality of property location, Transportation Research Procedia 3, pp.810-817 (2014)
[6] 荒川周造 諏訪博彦 川祐樹 荒川豊 安本慶一：
通 行 セ ン サ を 用 い 飲 食 店 用 動 産 賃 料 推 定
提 案 社 会 情 報 術 研 究
in (2016)
[7] Leo Breiman: Random Forests, Machine Learning Volume 45 Issue 1, pp5-32 (2001)
[8] Eisenhauer J. G.: Regression through the Origin, Teaching Statistics 25, pp.76-80 (2003)
[9] Motulsky H. and Christopoulos A. : Fitting models to biological data using linear and nonlinear regression, Oxford University Press.(2004)
