近年房地產業蓬勃發展且推案量逐年上升，開發商間競爭激烈，為追求較良好之銷售表現，開發商於投資開發前需詳細考量市場趨勢，並盡可能規劃迎合大眾喜好之產品。對於消費者而言，因房地產有差異性大且單價較高之特性，欲購屋者之消費決策往往需經過多層次且複雜之考量，該如何推出較符合大眾喜好之產品成為不斷被討論之課題；對於開發者而言，於投資開發時往往需投入大量資金，若於購地或規劃設計時決策錯誤將可能造成產品之銷售狀況不佳，並直接影響開發商之營運資本。然而，目前開發商於購地決策或規劃設計時，多由企業內部主管偕同代銷公司做為顧問，以自身經驗推測個案之投資規畫是否合宜，可能造成最後的決策受主觀意識影響而形成偏差，影響未來銷售表現。因此，為提高開發商於購地或規畫設計階段之決策合宜性及效率，本研究擬藉由模糊德爾菲法(Fuzzy-Delphi)問卷篩選出可能與銷售率關聯性較高之住宅屬性，以其為基礎蒐集台北市大安區、信義區共56筆實際住宅個案資料，接著透過關聯規則(Association Rules) 找尋不同銷售表現之住宅特性，其分析結果顯示該地區住宅之價格條件、產品規模對於銷售率影響程度較大，且與銷售率呈現反比關係，最後利用人工類神經網路(Artificial Neural Network) 建構一住宅銷售率預測模型，以75%資料做為訓練案例，25%做為測試案例，經反覆之200次循環訓練，預測準確率最高能夠達到90%。因此開發者於購地或產品規劃初期，即能夠依據關聯規則及類神經網路所歸納之分析結果，了解不同銷售表現之產品差異並初步預測未來可能之銷售表現，做為決策之參考依據，有效提升決策之效率及合理性。

The rapid development in real estate industry has led to considerable increases in investment volume of housing these years. For consumers, due to the significant differences and high cost in real estate, their decision often needs to go through complex considerations. How to launch products that match to the public’s preferences has become a topic of constant discussion. For developers, it may cause poor sales and directly affect the developer’s working capital if making wrong decision in land purchase or planning. However, developers often use their own experience to speculate whether the decision is appropriate, which may cause error by subjective consciousness. Therefore, in order to make proper decisions and improve its efficiency, this study figure out the factors that may have greater correlation with the sales rate by Fuzzy-Delphi questionnaire. Based on the results, a total of 56 actual cases data in Da’an District and Xinyi District of Taipei City were collected. Then, Association Rules is used to observe the pattern of the data, the results showed that the prices and product scale has an inverse relationship with the sales rate in that area. Finally, forecasting model of sales rate is constructed via Artificial Neural Network, using 75% of data as training cases and 25% as test cases, after repeated 200 cycles of training, the prediction accuracy rate can reach up to 90%. The result of Association Rules and Neural Networks can provide useful information to developers to assist their decision in the early stage of land purchase or planning, greatly improve the efficiency and accuracy of their decision.

一、中文文獻
[1] 王良友 (2011)，鄰避設施對住宅價格影響之研究-以大臺北地區為例，碩士論文，國立成功大學都市計畫學系
[2] 江明宏 (2009)，台灣房地產景氣循環週期之研究-應用灰色關聯分析及類神經網路之預測，碩士論文，中原大學企業管理研究所
[3] 李國忠、高振源、賴建興 (1998)，臺北市郊區都市林管理問題之研究，中華林學季刊，第31卷第4期，387-403
[4] 李怡婷 (2005)，大眾運輸導向發展策略對捷運站區房地產價格之影響分析，碩士論文，國立成功大學都市計畫學系
[5] 李志中 (2013)，大台北地區消費者之智慧住宅設計需求及購屋決策模式之研究，碩士論文，中華科技大學建築工程與環境設計研究所
[6] 李堃如 (2015)，台灣各縣市住宅價格與總體政策因素之關聯性分析，碩士論文，國立臺灣大學國際企業學研究所
[7] 李珮瑄 (2020)，以資料探勘技術探討綠建築等級、技術及成本關聯性，碩士論文，國立臺灣科技大學建築研究所
[8] 邱郁文 (2007)，基於混合類神經預測住宅銷售的比較分析，博士論文，香港理工大學工商管理博士班
[9] 邱淵郎 (2016)，設備建材品項對消費者購屋意願影響之研究-以高雄市新成屋為例，碩士論文，國立中山大學高階經營碩士班
[10] 沈育生、林秋瑾 (2012)，不同人工神經網路架構在不動產大量估價之應用與比較，台灣土地研究，第15卷第1期，1-29
[11] 林素菁 (2004)，台北市國中小明星學區邊際願意支付之估計，住宅學報，第13卷第1期，15-34
[12] 林君紋 (2013)，資料探勘消費者購屋決策分類模式之建構-以國內某建設公司個案為例，碩士論文，輔仁大學企業管理學系
[13] 林忠樑、林佳慧 (2014)，學校特徵與空間距離對周邊房價之影響分析－以台北市為例，經濟論文叢刊，第42卷第2期，215-271
[14] 林琬瑜 (2011)，變電所對住宅價格之影響－以台中市南區為例，碩士論文，國立中興大學應用經濟學系所
[15] 洪承 (2015)，房地產行銷策略研究－以代銷業銷售成功影響因素之探討，碩士論文，國立政治大學地政學系
[16] 洪啟釗 (2002)，影響消費者購買住宅房屋考量因素之研究－以屏東縣（市）為例，碩士論文，開南管理學院企業管理研究所
[17] 胡雅智 (2019)，視野對不動產價格影響之研究－以臺中市新市政中心專用區為例，碩士論文，國立政治大學地政學系
[18] 凃雅珍 (2008)，風水對不同住宅價格影響之研究：分量迴歸之應用，碩士論文，國立政治大學經濟研究所
[19] 徐村和、李達章 (1997)，模糊產品投資組合模式，管理學報，第14卷第2期，263-286
[20] 郭晋豪 (2017)，消費者購屋決策模式之研究－以高雄地區為例，碩士論文，國立中山大學經濟學研究所
[21] 陳彥仲(1997)，住宅選擇之程序性決策模式，住宅學報，第5期，37-49
[22] 陳家銘、吳承釗、林晟誼、劉豐瑞 (2008)，以類神經網路與資料探勘進行道路工程環境影響評估審查結論分類預測，2008年台灣環境資源永續發展研討會
[23] 陳明徽 (2012)，台灣房地產業在總體環境之行銷策略研究─以A、B建設公司為例，碩士論文，國立中央大學管理學院高階主管企管碩士班
[24] 陳帝妗 (2013)，建設公司品牌對住宅價格之影響，碩士論文，逢甲大學土地管理學系
[25] 陳忠廉 (2013)，捷運對場站周邊房地價格之影響-『以台北市捷運南港線為例』，碩士論文，中國文化大學建築及都市設計學系
[26] 連經宇 (2003)，應用模糊語意方法與不連續選擇理論建立家戶購屋選擇行為模式之研究，博士論文，國立成功大學都市計畫學系
[27] 張少綺 (2020)，生活機能對住宅價格的影響–以臺北市大安區為例，碩士論文，國立政治大學地政學系
[28] 莊鈺玲 (2008)，風水因素對購屋決策影響之研究，碩士論文，玄奘大學財務金融學系
[29] 莊喻婷 (2016)，臺北市公共自行車場站對鄰近住宅價格之影響，碩士論文，國立政治大學地政學系
[30] 莊偉 (2018)，殯葬設施對鄰近住宅價格之影響-以原台南市為例，碩士論文，南臺科技大學企業管理系
[31] 許淑媛、袁淑湄、張金鶚 (2011)，住宅個案價格分散之研究：房價水準、景氣時機與區位條件之分析，都市與計畫期刊，第38卷第4期，403-426
[32] 章錦釗 (2008)，影響預售住宅銷售率之因素分析，碩士論文，國立中央大學土木工程學系
[33] 章志鵬 (2015)，外煞風水因子對於住宅價格影響之研究-以鹿港鎮、彰化市為例，碩士論文，國立臺北大學不動產與城鄉環境學系
[34] 游淑滿 (2006)，住宅成本與總體經濟因素對房價之實證分析，碩士論文，國立屏東商業技術學院不動產經營系
[35] 黃振佾 (2018)，社區式集合住宅公共設施 之住戶使用偏好，碩士論文，逢甲大學土地管理系
[36] 程清學 (2009)，社區公共空間適宜性之研究－探討對住戶管理費之影響，碩士論文，國立雲林科技大學營建工程系
[37] 彭春貴 (2005)，廣告訊息引起消費者認知與感受差異研究─以高雄地區房地產銷售為例，碩士論文，國立高雄應用科技大學商務經營研究所
[38] 童俊榮 (2012)，應用資料採礦技術分析台灣健保資料庫－以攝護腺癌病人為例，碩士論文，輔仁大學應用統計研究所
[39] 楊敏生 (1994)，模糊理論簡介，數學傳播，第18卷第1期，7-11
[40] 楊宗憲、蘇倖慧 (2011)，迎毗設施與鄰避設施對住宅價格影響之研究，住宅學報，第20卷第2期，61-80
[41] 楊竣傑 (2014)，綠建築願付價格模型之探討，碩士論文，國立臺灣科技大學建築系
[42] 葉峻維 (2009)，台北市集合住宅價格影響因素之分析研究，碩士論文，銘傳大學財務金融學系
[43] 鄭滄濱 (2001)，軟體組織提升人員能力之成熟度模糊評估模式，碩士論文，國立台灣科技大學資訊管理系
[44] 鄭偉安 (2016)，都市公園綠地對於房價之影響‒以高雄市區為例，碩士論文，國立中山大學經濟學研究所
[45] 劉水杏 (2004)，房地產業與相關產業關聯度的國際比較，財貿經濟，2004年第4期，81-87
[46] 劉瀅瀅 (2019)，影響首購族購屋決策的因素探討-以大台北地區為例，碩士論文，國立臺北大學企業管理學系
[47] 蔡曜如 (2003)，我國房地產市場之發展、影響暨政府因應對策，中央銀行季刊，第二十五卷第四期，31-63
[48] 鍾翔宇 (2014)，整合類神經網路和田口方法建構不動產估價模式-以台中市房地產交易為例，碩士論文，國立臺中科技大學資訊管理系
[49] 蘇國榮 (2003)，建設公司商譽對住宅價格影響之研究，碩士論文，國立政治大學地政研究所

二、中文書籍
[1] 張金鶚(2003)，房地產投資與市場分析：理論與實務(上篇：房地產投資分析)，華泰經銷
[2] 葉怡成 (2003)，類神經網路模式應用與實作，儒林圖書有限公司
[3] 簡禎富、許嘉裕(2014)，資料挖礦與大數據分析，前程文化

三、英文文獻
[1] Agrawal, R., Imielinski, T., & Swami, A. (1993), Mining Association Rules between Sets of Items in Large Databases, Proceeding of the 1993 ACM SIGMOD International Conference on Management of Data, 207-216
[2] Bogart, W. T. & Cromwell, B. A. (2000), How Much Is a Neighborhood School Worth?, Journal of Urban Economics, Volume 47, Issue 2, 280-305
[3] Borde, D.S., Rane, A., Shende, G., & Shetty, S. (2017) Real Estate Investment Advising Using Machine Learning, International Research Journal of Engineering and Technology, Volume 4, Issue 3, 1821-1825
[4] Baldominos, A., Blanco, I., Moreno, A. J., Iturrarte, R., Bernárdez, Ó, & Afonso, C. (2018), Identifying Real Estate Opportunities Using Machine Learning, Applied Sciences, Volume 8, Issue 11, 2321
[5] Habibi, A., Jahantigh, F.F., & Sarafrazi, A. (2015). Fuzzy Delphi Technique for Forecasting and Screening Items. Asian Journal of Research in Business Economics and Management, Volume 5, 130-143
[6] Hu, A., Chen, L. T., Hsu, C. W., & Ao, J. G. (2011), An Evaluation Framework for Scoring Corporate Sustainability Reports in Taiwan, Environmental Engineering Science, Volume 28, Issue 12, 843-858
[7] Ishikawa, A., Amagasa, M., Shiga, T., Tomizawa, G., Tatsuta, R., & Mieno, H. (1993), The max-min Delphi method and fuzzy Delphi method via fuzzy integration, Fuzzy Sets and Systems, Volume 55, 241-253
[8] Jain, A. K., Mao, J., & Mohiuddin, K. M. (1996), Artificial Neural Network：a tutorial, IEEE Computer, Volume 29, Issue 3, 31-44
[9] Jim, C. Y., & Chen, W. Y. (2006), Impacts of urban environmental elements on residential housing prices in Guangzhou (China), Landscape and Urban Planning, Volume 78, Issue 4, 422-434
[10] Keating, B. (2008), Data Mining：What is it and how is it used?, The Journal of Business Forecasting, Volume 27, Issue 3, 33-35
[11] Kleissner, C. (1998), Data Mining for the enterprise, Proceedings of the Thirty-First Hawaii International Conference on System Sciences
[12] Luttik, J. (2000), The value of trees, water and open space as reflected by house prices in the Netherlands, Landscape and Urban Planning, Volume 48, Issue 3-4, 161-147
[13] Limsombunchai, V., Gan, C., & Lee, M. (2004), House Price Prediction: Hedonic Price Model vs. Artificial Neural Network, American Journal of Applied Sciences, Volume 1, Issue 3, 193-201
[14] Li, J., Cheng, J., Shi, J., & Huang, F. (2012) Brief Introduction of Back Propagation (BP) Neural Network Algorithm and Its Improvement, Advances in Intelligent and Soft Computing, vol 169, 553-558
[15] Murray, T. J., Pipino L. L., & Gigch J. P. (1985), A pilot study of fuzzy set modification of Delphi, Human Systems Management, 6-80
[16] Michael, B., Vicky, S. & Michael, S. (2002) Residential Real Estate Prices: A Room with a View, Journal of Real Estate Research, Volume 23, Issue 1-2, 129-138
[17] Morancho, A. B. (2003), A hedonic valuation of urban green areas, Landscape and Urban Planning, Volume 66, Issue 1, 35-41
[18] Susanto, A. & Meiryani (2019), Functions, Processes, Stages And Application Of Data Mining, International Journal of Scientific & Technology Research, Volume 8, Issue 07, 136-140
[19] Saffie, N.A., Shukor, N.M., & Rasmani, K. (2016). Fuzzy delphi method: Issues and challenges. 2016 International Conference on Logistics, Informatics and Service Sciences (LISS), 1-7.
[20] Zadeh, L. A. (1965), Fuzzy sets, Information and Control, vol 8, 338-353

四、英文書籍
[1] Graupe, D. (2013), Principles of Artificial Neural Networks, 3rd edition, World Scientific Publishing Company
[2] Han, J., Kamber, M., & Pei, J. (2011), Data Mining：Concepts and Techniques, 3rd edition, Morgan Kaufmann
[3] Kaufmann, A. & Gupta, M. M. (1988), Fuzzy Mathematical Models in Engineering and Management Science, North-Holland,
[4] Linstone H.A. & Turoff M. (1975), The Delphi Method：Techniques and Applications, Addison-Wesley
[5] Larose, D. T. & Larose, C. D. (2014), Discovering Knowledge in Data：An Introduction to Data Mining, 2nd Edition, John Wiley & Sons
[6] Priddy, K. L. & Keller, P. E. (2005), Artificial Neural Networks：An Intriduction, SPIE Press
[7] Turban, E., Aronson, J. E., & Liang, T. P. (2005), Decision Support Systems and Intelligent Systems
[8] Witten, I. H., Frank, E., Hall, M. A., Pal, C. J. (2017), Data Mining：Practical Machine Learning Tools and Techniques, 4th Edition, Morgan Kaufmann