Housing Bubble

(1)

page

.

-不透明な未来を予測する-

Feb 24, 2016

Chihiro Shimizu (清水千弘)

シンガポール国立大学

Professor, Institute of Real Estate Studies

National University of Singapore

(2)

page

.

page

.

1. ビッグデータは住宅市場を変えるのか?

Machine Learning and Big Data.

• What is big data?

• Big data is not a new phenomenon, but one that is part of a

long evolution of data collection and analysis. Among

numerous definitions of big data that have been introduced

over the last decade, the one provided by Mayer-Schönberger

and Cukier (2013) appears to be most comprehensive: Big

data is

“ the ability of society to harness information in

novel ways to produce useful insights or goods and

services of significant value”

and

“things one can do at a

large scale that cannot be done at a smaller one, to extract

new insights or create new forms of value .”

• Mayer-Schönberger,V and Cukier K, (2013), Big Data: A revolution that will

transform how we live, work and think, UK: Hachette.

2 cshimizu@nus.edu.sg

(3)

page

.

page

.

• In the community of analytics, it is widely accepted that big

data can be conceptualized by the following three dimensions

( Laney, 2001 ):

• a). Volume :データの量

• b). Velocity :即時性

• c). Variety :多様性

• Laney D,(2001), 3D data management: Controlling Data

Volume, velocity, and variety, US:META Group.

(4)

page

.

page

.

機械学習: Machine Learning.

• The development of computer algorithms to transform data into

intelligent action → machine learning .

• Available data,

statistical methods

, and computing power rapidly

and simultaneously evolved.

• Growth in data necessitated additional computing power, which

in turn spurred the development of statistical methods to analyze

large datasets.

(5)

page

.

page

.

Knowledge representation

• a) Mathematical equations

• b) Relational diagrams such as trees and graphs

• c) Logical if/else rules

• d) Groupings of data known as clusters

• →The choice of model is typically not left up to the machine.

Instead, the learning task and data on hand inform model

selection.

(6)

page

.

page

.

アルゴリズム

Model

Learning Task

Supervised Learning Algorithms

Nearest Neighbor

Classification

Naive Bayes

Classification

Decision Trees

Classification

Classification Rule Learners

Classification

Linear Regression

Numeric prediction

Regression Trees

Numeric prediction

Model Trees

Numeric prediction

Neural Networks

Dual use

Support Vector Machines

Dual use

Unsupervised Learning Algorithms

Association Rules

Pattern detection

k-means clustering

Clustering

Meta-Learning Algorithms Bagging

Dual use

Boosting

Dual use

Random Forests

Dual use

(7)

page

.

page

.

自動不動産価格査定装置

• AIは不動産鑑定士に代わることができるのか?

• 将来なくなる職業

• a) Regression models,

• b) Artificial neural networks and

• c) Decision trees.

(8)

page

.

page

.

評価バイアス: Evaluation Bias

• Evaluation Bias is a necessary evil associated with the

abstraction and generalization processes inherent in any

learning task. In order to drive action in the face of limitless

possibility, each learner must be biased in a particular way.

• Consequently, each learner has its weaknesses and there is no

single learning algorithm to rule them all. Therefore,

the final

step in the generalization process is to evaluate or measure

the learner's success in spite of its biases and use this

information to inform additional training if needed

.

(9)

page

.

page

.

階層型ニューラルネットワーク

9 cshimizu@nus.edu.sg ［入力層］［中間層1］［中間層2］［出力層］不動産価格形成要因不動産価格

Input Intermediate layer1 Intermediate layer2 Output

Housing Prices

Factor:

Age,

Location,

Space

Etc.

(10)

page

.

page

.

決定木: Artificial intelligence /AI

(11)

page

.

page

.

Validation with Prediction Power: Boxplot of Number of trials

500 times with Sampling and Replacement

.

Regression Decision Tree Neural Network

(12)

page

.

page

.

過学習とオーバーフィッティング

• A model that seems to perform well during training, but does

poorly during evaluation, is said to be overfitted to the

training dataset, as it does not generalize well to the test

dataset.

• Solutions to the problem of overfitting are specific to

particular machine learning approaches. For now, the

important point is to be aware of the issue. How well the

models are able to handle noisy data is an important source of

distinction among them.

(13)

page

.

page

.

2. ビッグデータが語る住宅市場の未来:

人口減少・高齢化がもたらす住宅価格の暴落?

13

• 人口減少は，何をもたらすのか?

• Mankiw, N. G., and D. N. Weil (1989), "The baby boom, the baby bust,

and the housing market," Regional Science and Urban Economics, Vol.

19, 235-258.

• 米国の住宅価格は，25年間で47%下落する

• →移民政策の強化→サブプライム問題

• Japan: Shimizu and Watanabe(2010) , “Housing Bubble

in Japan and the United States,” Public Policy Review

Vol.6, No.2,pp.431-472.(財務省研究会より)

(14)

page

.

日本の人口

Population in Japan : losing Japan

14

0 20,000

40,000

60,000

80,000

100,000

120,000

140,000

160,000

1950 1953 1956 1959 1962 1965 1968 1971 1974 1977 1980 1983 1986 1989 1992 1995 1998 2001 2004 2007 2010 2013 2016 2019 2022 2025 2028 2031 2034 2037 2040 2043 2046 2049 cshimizu@nus.edu.sg

(15)

page

.

高齢化 Aging

15 0.8 0.9 1 1.1 1.2 1.3 1.4 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025

Population

Labour

cshimizu@nus.edu.sg

(16)

page

.

page

.

Demand: Number of live births (JPN)

0 50 100 150 200 250 300 1920 1925 1930 1935 1940 1945 1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 (Ten thousands) 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Number of Live Births [Left Scale]

Total Fertality Rates [Right Scale] Baby boom

(1947-49)

Echo baby boom (1971-73)

Baby bust (1955-60)

Source: Ministry of Health, Labor and Welfare Shimizu,C and T.Watanabe(2010), “Housing Bubble in Japan and the United States,” Public Policy Review Vol.6, No.2,pp.431-472

16

(17)

page

.

page

.

人口と住宅市場の関係モデル

17

ln

ln GDPPC

ln OLDDEP

ln TPOP

it

P

 











 



(1)

GDPPC is per capita GDP,

OLDDEP is the old age dependency ratio, which is defined

by the ratio of population aged 65+ to the working population

(i.e. population aged 20-64),

TPOP is total population.

The disturbance term is represented by



it

.

Empirical method

Shimizu, Deng, Kawamura and Nishimura (2015)

(18)

page

.

page

.

予測可能な世界: 人口の変化と高齢化:

• Nishimura (西村清彦)(2011)

• 依存人口比率

=

0−19

人口

𝑎𝑛𝑑 65

以上人口

,

20−64

歳人口

• Takáts (2012)

• 老齢人口依存比率

=

65 歳人口

,

20−64

歳人口

18

Saita,Y., C.Shimizu and T.Watanabe(2013), “Aging and Real Estate Prices: Evidence

from Japanese and US Regional Data,” CARF Working Paper Series (東京大学),

CARF-F-334.

(19)

page

.

page

.

人口構成の変化と住宅市場

19 -0.040 -0.030 -0.020 -0.010 0.000 0.010 0.020 0.030 90 95 100 105 110 115 120 1975 1980 1985 1990 1995 2000 2005 2010 Tokyo

Real land price in log (left scale) Old age dependency ratio(right scale) Dependency ratio(right scale)

(Index: 1970=100) -0.080 -0.060 -0.040 -0.020 0.000 0.020 0.040 90 95 100 105 110 115 1975 1980 1985 1990 1995 2000 2005 2010 Osaka

(Index: 1970=100) -0.025 -0.020 -0.015 -0.010 -0.005 0.000 0.005 0.010 0.015 90 92 94 96 98 100 102 104 1975 1980 1985 1990 1995 2000 2005 2010 Aomori

(Index: 1970=100) -0.060 -0.050 -0.040 -0.030 -0.020 -0.010 0.000 0.010 0.020 0.030 90 95 100 105 110 1975 1980 1985 1990 1995 2000 2005 2010 Kagawa

(Index: 1970=100)

(20)

page

.

page

.

20 -0.050 -0.040 -0.030 -0.020 -0.010 0.000 0.010 0.020 0.030 0.040 0.050 90 95 100 105 110 115 1975 1980 1985 1990 1995 2000 2005 2010 California

Real housing price in log (left scale) Old age dependency ratio(right scale) Dependency ratio(right scale)

(Index: 1970=100) -0.050 -0.040 -0.030 -0.020 -0.010 0.000 0.010 0.020 0.030 0.040 0.050 95 96 97 98 99 100 101 102 103 104 105 1975 1980 1985 1990 1995 2000 2005 2010 Texas

(Index: 1970=100) -0.030 -0.020 -0.010 0.000 0.010 0.020 0.030 0.040 0.050 90 95 100 105 1975 1980 1985 1990 1995 2000 2005 2010 West Virginia

(Index: 1970=100) -0.030 -0.020 -0.010 0.000 0.010 0.020 0.030 90 95 100 105 110 115 1975 1980 1985 1990 1995 2000 2005 2010 New York

(Index: 1970=100)

(21)

page

.

page

.

不動産価格はどのように決まっているのか?

21 No. of observa tions Adj. R2 Japan 1,645 0.629 0.2188 0.0000 -1.3167 0.0000 0.9177 0.00 -0.1033 0.00

Standard error/t value 0.058 / 3.76 0.186 / -7.06 0.290 / 3.17 0.009 / -11.33

U.S. 1,836 0.439 0.4515 0.0000 -0.9067 0.0000 0.7514 0.00 -0.1272 0.00

Standard error/t value 0.042 / 10.66 0.116 / -7.79 0.116 / 6.46 0.010 / -12.29

Old dependency ratio Total population EC term

GDP per capita

一人あたりGDP:

Japan 0.2188, US 0.4515, Takáts:0.8842.

高齢化比率:

Japan -1.3167, US -0.9067, Takáts:-0.6818.

総人口:

Japan 0.9177 , U.S. 0.7514, Takáts: 1.0547.

(22)

page

.

page

.

今後30年間の人口構成の変化と住宅市場

• Forecast the real land prices in Japan using the regression,

• The projection on demographic changes released by the

IPSS(National Institute of Population and Social Security

Research).

• Based on natural increases/decreases calculated from the

survival probability and the number of births by cohort and

social increases/decreases due to movement between regions.

• Population projections : the medium variant projection,

which is based on the assumption of medium fertility, unless

otherwise mentioned.

(23)

page

.

page

.

人口のインパクト

• Assumption on future population

– The medium variant projection on demographic changes calculated by IPSS(National

Institute of Population and Social Security Research)

45 50 55 60 65 70 75 95 100 105 110 115 120 125 130 2020 2030 2040

Total population Old dependency ratio (right scale)

million percent

Note : IPSS projection is based on natural increases/decreases calculated from the

survival probability and the number of births by cohort and social increases/decreases

due to movement between regions. .

(24)

page

.

page

.

人口変化による価格の押し下げ効果-2015-2040

24

Country

Year

TPOP

POP20-64

POP65+

DEP

Democraphic

Impact

2015

49,750,234

32,992,745

6,470,745

19.61%

2040

52,269,547

27,300,208

15,958,224

58.45%

2040/2015

1.051

0.827

2.466

2.980 2015

1,401,586,609

931,915,242

132,457,293

14.21%

2040

1,435,499,255

834,430,851

316,725,513

37.96%

2040/2015

1.024

0.895

2.391

2.671 2015

127,758,767

70,979,780

33,533,262

47.24%

2040

114,517,258

56,121,848

39,496,695

70.38%

2040/2015

0.896

0.791

1.178

1.490 -3.523%

-3.813%

Korea

China

Japan

-1.971%

Saita,Shimizu and Watanabe(2013):

人口要因 : 2015-2040

-1.56 %

(25)

page

.

page

.

• 空き家ゾンビの増殖が止まらない。ゾンビとは?

• マンション，区分所有建物は，a）建て替えには5分の4

の居住者，持ち分の賛成が必要，b）区分所有権の解消

のためには全員同意が必要，など更新，滅失させるため

には極めて大きなコストがかかる仕組みとなっている。

• [目的]

• 区分所有建物，とりわけ老朽化した区分所有建物の地域

集積が，外部不経済を発生させるか，発生させるとすれ

ばどの程度発生させるのかを明らかにする。

25

3. ビッグデータが予見するスラム化する大都市:

.

建築後25年以上マンションの増加

31 0 500,0 00 1,000 ,000 1,500 ,000 2,000 ,000 2,500 ,000 3,000 ,000 3,500 ,000 4,000 ,000 2005 2010 2015 2020 2025 2030 2035 0 50,00 0 100,0 00 150,0 00 200,0 00 250,0 00 10km未満 10km以上20km未満 20km以上30km未満 30km以上40km未満 40km以上50km未満 50km以上60km未満 70km以遠老朽マンションストック数 (戸 ): O (t ) 老朽マンション増加数 : O (t )-O (t -5 ) 70km以遠 60km以上70km未満 50km以上60km未満 40km以上50km未満 30km以上40km未満 20km以上30km未満 10km以上20km未満 10km未満 10km未満 cshimizu@nus.edu.sg

(32)

page

.

page

.

東京都における距離帯別老朽マンションの将来予測

32 0 20, 000, 000 40, 000, 000 60, 000, 000 80, 000, 000 100, 000, 000

2005

2010

2015

2020

2025

2030

2035

0 2, 000, 000 4, 000, 000 6, 000, 000 8, 000, 000 10, 000, 000 10km未満 10km以上20km未満 20km以上30km未満 30km以上40km未満 40km以上50km未満 40km以上50km未満 30km以上40km未満 20km以上30km未満 10km以上20km未満 10km未満 cshimizu@nus.edu.sg

(33)

page

.

page

.

老朽マンションの増加がもたらす住宅価格の下落

老朽マンション効果

33

( , )

0

2 ,

3

4 ( , )

1 ,

log

n

T A i

m

i j

m

n

s

k

i

i j

s

P

a

X

a N

H

O

E

a





 



1 T A i

,

:

a O

_

A

年以前に建築されたマンション

cshimizu@nus.edu.sg

(34)

page

.

page

.

推計結果

34

東京都全地域マンション地域 Model.1 Model.2 Model.3

大都市で発生する空きビル問題

:生き残る市場

• 理論的分析: Brueckner(1980), Wheaton(1982)

– 再開発が行われる条件

– V

R

_{: 再開発された不動産から得られる収入の割引現在価値}

– V

C

_{: 現在の用途から生まれる不動産収入の割引現在価値}

• 実証分析:

– [ VR

－

VC ] が再開発の確率をどの程度高めているか．

– Rosenthal and Helsley (1994:住宅), Munneke (1996:商業不動産)，

McGrath (2000:土壌汚染)

• （1）の仮説を支持（シカゴ市の不動産物件を対象にした分析）

• Shimizu, C. (2012), “Selection of the Winning Office Investment Market

in Tokyo,” Real Estate Issue, Vol. 37, No. 2-3, 51-60.

 

1

0 



C

R

V

(40)

page

.

page

.

40

CBD(都心中心)からの距離

収益(賃料)

事務所

住宅

超過収益

機会損失

都心からの距離と付け値曲線

cshimizu@nus.edu.sg

(41)

page

.

機会損失が発生しているビル:2004年

41

オフィスの分布

_{機会損失ビルの分布}

Source) Shimizu and Karato(2010), Microstructure of Office Investment Market in Tokyo Metropolitan Area,(forthcoming)

(42)

page

.

機会損失ビルの発生プロセス.1995,2000年

42

1995年

2000年

(43)

page

.

page

.

43

オフィスから住宅への用途転換

Office properties to Residential properties

Source : Shimizu,C , K.Karato and Y.Asami(2010), “Estimation of Redevelopment Probability using Panel Data-Asset

Bubble Burst and Office Market in Tokyo-,”Journal of Property Investment & Finance,Vol.28,No.4, pp.285-300.

(44)

page

.

page

.

オフィス超過収益エリア

(45)

page

.

page

.

4.ビッグデータ・機械学習は住宅市場にイノベ

ーションを起こすことができるのか?

• 様々な人が集まり，交流が生まれることで情報の交換が

促され，互いに刺激を与えあうことが可能となる地域」

であり，かつ「そうした場所でこそ可能であることとし

て独創的なアイディアや技術が生み出さられ，結果とし

て持続的な成長を可能とする地域」

• →創造性(creative)，イノベーション(innovation)

• 都市にどのような特徴を持つ人々が居住するか，そして

それがどう移り変わっていくか」 (Storper and Scott

(2009))。

• 「かつての都市のあり方とちがって現在では，土地でも

資本でもなく，人々の創造的なアイディアこそ経済の成

長における最も重要な原動力である」(Clark (2004))。

(46)

page

.

page

.

年収は住むところによって決まる

• アメリカ合衆国において，アメニティが充実している都

市ほど人口が多い(Glaeser et al (2001) )

• スペインを対象にした研究においてアメニティによる質

の高い文化的消費の機会が得られる地域ほど，居住者の

収入が高い(Navarro et al. (2012))

• →アメニティの集積がもたらす人口集積・所得

cshimizu@nus.edu.sg 46

(47)

page

.

page

.

住宅新産業研究会の提案(2016)

• 提案1.不動産取引価格情報の整備と適切な開示

• 提案2.売り手・買い手・仲介業者の責任を明確にすると共に、インスペクションに

代表される品質情報を生産する仕組みの一層の普及

• 提案3.製造段階、保有段階、流通段階など様々な局面で蓄積される情報を、製造者

、所有者、売り手のそれぞれの責任を明確にした上で情報を生産し、蓄積する社会

システムを構築する。

• 提案4.開示が必要とされる地域情報を地域単位で定義し、それを整備する

と共に消費者に対して提供する仕組みを創設する

• 提案5.低価格物件、無価値化物件が流通できるように、手数料体系の抜本

的見直しを行うと共に、C to C市場の創設の阻害要因となっている制度改

正を進める

• 提案6.海外からの投資、またはB&Bなどに代表される新しい利用方法、リノベーシ

ョンなどによる建物利用転換などを含む、住宅需要を拡大させる市場育成に努める

• 提案7.ビッグデータの活用と市場変革、生産性を向上させるために、デー

タ間の融合が可能になるような情報流通の制度を設計する

• 提案8.不動産価格指数、リスク評価ができる情報インフラなどが開発でき

る環境を整備し、市場リスクを評価できる技術開発を進めることで、新し

い金融市場が創設できるような情報インフラを整備する。

• 提案9.高度不動産人材の育成

(48)

page

.

page

.

機械学習の実践: Machine learning in practice

• a) Data collection

: The data collection step involves

gathering the learning material an algorithm will use to

generate actionable knowledge.

• b) Data exploration and preparation

: The quality of any

machine learning project is based largely on the quality of its

input data.

• c) Model training : By the time the data has been prepared

for analysis, you are likely to have a sense of what you are

capable of learning from the data.

(49)

page

.

page

.

• d)Model evaluation : Because each machine learning model

results in a biased solution to the learning problem, it is

important to evaluate how well the algorithm learns from its

experience.

• e)Model improvement : If better performance is needed, it

becomes necessary to utilize more advanced strategies to

augment the performance of the model. Sometimes, it may be

necessary to switch to a different type of model altogether.

(50)

page

.

page

.

データ整備をどのように進めればいいのか?

• 不動産IDは作ることができるのか?

• There is about 1.7 million(1,665,152) buildings Metropolitan

Area.

(51)

page

.

page

.

• Land uses and use conversions

(52)

page

.

page

.

5. 住宅市場の進化のための条件

• 行政が中心となって不動産価格情報を整備する

• 情報流通のルールを策定する

• 不動産ID，データ交換が可能なプラットフォームを構

築していく

• →Big Data & Machine Learning →Innovationの循環を作る

(53)

page

.

page

.

高度人材育成の重要性

• 教育体系:清水のNUSの講義ノートより

• Step1: Find research topic / Lecture 1

• Step2: Hypothesis and Research Design / Lecture 2

• Step3: Literature Review / Lecture 2

• Step4: Data Collection / Lecture 3

• Step5: Analyzing Data / Lecture 4

• Step6: Interpretation of results / Lecture 5

• Step7: Validation of results / Lecture 5

• Step8: Writing the thesis or report with conclusion /

Lecture6 and Tutorial

(54)

page

.

page

.

ArtとScienceの融合，人材の輩出

• からくさ不動産塾(2016-)

• 日本の住まいの未来を創る会(大垣・池田・下関 2016-)

• 清水ゼミ(岐阜(2015-)・京都(2016-))

(55)

page

.

page