TWI719411B - 建物鑑價方法及系統 - Google Patents

Abstract

一種建物鑑價方法及系統中，資料伺服器蒐集相關於目標建物所在地理區域於預定歷史期間內的所有歷史交易建物且含有交易價格、總坪數及車位數的交易資訊；鑑價伺服器根據該交易資訊及對應於該地理區域的豪宅價格門檻判斷每一歷史交易建物是歸屬於豪宅型或一般住宅型，以獲得相關於所有歷史交易建物的屬性資料，且利用適應性網路模糊推論系統演算法並以總坪數及車位數作為變數，分析該交易資訊及該屬性資料以獲得一對應於該地理區域的建物估價模型，並根據該目標建物的總坪數及車位數且利用該建物估價模型，獲得該目標建物的推估價值。

Description

建物鑑價方法及系統

本發明是有關於建物鑑價，特別是指一種建物鑑價方法及系統。

銀行對於作為擔保品之不動產，特別是指住房建物的價值評估(即，建物鑑價)，往往必須考量建物的特性或屬性。舉例來說，所謂的套房通常指僅具有一個房間的住房建物，而所謂的豪宅通常被認定為具有較大坪數(例如100坪)並含有較多個房間(例如5個房間)及多個車位(例如6個)的住房建物。於是，在同一地理區域內，在鑑價時，套房及豪宅的每坪價格往往會較高於一般住房的每坪價格。然而，對於例如60坪大且具有3個車位的華夏公寓的一般住宅而言，恐無法採用豪宅鑑價的鑑價規範，因此仍須仰賴具有嫻熟鑑價經驗的鑑價人員進行一般住宅的鑑價，即使如此，亦無法避免人為錯誤或不當鑑價的情況發生。

因此，現有建物鑑價方式仍存在有很大的改良空間。

因此，本發明的一目的，即在提供一種建物鑑價方法， 其能克服現有技術的至少一缺點。

於是，本發明所提供的一種建物鑑價方法用於評估一位於一地理區域的目標建物的價值，並利用一資料伺服器及一鑑價伺服器來執行。該建物鑑價方法包含以下步驟：(A)藉由該資料伺服器，蒐集相關於該地理區域在一預定歷史期間內的所有歷史交易建物的交易資訊，其中該交易資訊至少包含該預定歷史期間內的每一歷史交易建物的交易價格、總坪數及車位數；(B)藉由該鑑價伺服器，根據該資料伺服器所蒐集的該交易資訊及一對應於該地理區域的豪宅價格門檻，判斷每一歷史交易建物是歸屬於豪宅型或一般住宅型，以獲得相關於所有歷史交易建物的屬性資料，其中歸屬於豪宅型的任一歷史交易建物的交易價格不低於該豪宅價格門檻，及歸屬於一般住宅型的任一歷史交易建物的交易價格低於該豪宅價格門檻；(C)藉由該鑑價伺服器，利用適應性網路模糊推論系統演算法並至少以總坪數及車位數作為變數，分析該交易資訊及該屬性資料以獲得一對應於該地理區域且相關於總坪數及車位數的建物估價模型；及(D)藉由該鑑價伺服器，根據該目標建物的總坪數及車位數，且利用該建物估價模型，獲得該目標建物的推估價值。

因此，本發明的另一目的，即在提供一種建物鑑價系統，其能克服現有技術的至少一缺點。

於是，本發明所提供的一種建物鑑價系統用於評估一位於一地理區域的目標建物的價值，並包含一資料伺服器、及一鑑價伺服器。

該資料伺服器組配來蒐集相關於該地理區域在一預定歷史期間內的所有歷史交易建物的交易資訊，該交易資訊至少包含該預定歷史期間內的每一歷史交易建物的交易價格、總坪數及車位數。

該鑑價伺服器連接該資料伺服器以接收該資料伺服器所蒐集的該交易資訊，並包含一屬性判斷模組、一建模模組及一估算模組。該屬性判斷模組組配來根據該資料伺服器所蒐集的該交易資訊及一對應於該地理區域的豪宅價格門檻，判斷每一歷史交易建物是歸屬於豪宅型或一般住宅型，以獲得相關於所有歷史交易建物的屬性資料，其中歸屬於豪宅型的任一歷史交易建物的交易價格不低於該豪宅價格門檻，及歸屬於一般住宅型的任一歷史交易建物的交易價格低於該豪宅價格門檻。該建模模組組配來利用適應性網路模糊推論系統演算法並至少以總坪數及車位數作為變數，分析該交易資訊及該屬性資料以獲得一對應於該地理區域且相關於總坪數及車位數的建物估價模型。該估算模組組配來根據該目標建物的總坪數及車位數，且利用該建物估價模型，估算出該目標建物的推估價值。

本發明之功效在於：由於利用了結合有模糊推論技術及類神經網路技術的適應性網路模糊推論系統演算法來分析大量的交易資訊及屬性資料，因此所獲得的建物估價模型能提供相對較高精確性的建物鑑價。藉此，銀行機構無需聘用嫻熟鑑價人員亦能有效避免現有技術所遭遇之人為錯誤或不當鑑價的情況。

100:建物鑑價系統

1:資料伺服器

2:鑑價伺服器

21:屬性判斷模組

22:建模模組

23:估算模組

200:不動產實價登錄系統

S21~S25:步驟

本發明之其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1是一方塊圖，示例性地繪示本發明實施例的建物鑑價系統；及圖2是一流程圖，示例性地說明該建物鑑價系統如何執行一建物鑑價程序。

在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。

參閱圖1，本發明實施例的建物鑑價系統100是用來評估建物價值。值得注意的是，以下本實施例所涉及之建物均指住宅使用之建物(排除商業用途之建物)。該建物鑑價系統100例如包含一資料伺服器1、及一鑑價伺服器2。

在本實施例中，該資料伺服器1可經由一通訊網路(如 網際網路)連接例如由政府機構所提供的一不動產時價登錄系統200。在本實施例中，該不動產實價登錄系統200可提供所有歷史不動產交易的相關資料。

該鑑價伺服器2連接該資料伺服器1，並包含一屬性判斷模組21、一建模模組22及一估算模組23。在本實施例中，該屬性判斷模組21、該建模模組22及該估算模組23其中每一者能以硬體、軟體或韌體之型式來實施。

以下，參閱圖1及圖2來示例地說明該建物鑑價系統100如何執行一建物鑑價程序。該建物鑑價程序包含以下步驟S21~S25。

首先，在步驟S21中，該資料伺服器1回應於一來自外部且含有一目標建物的總坪數、車位數及地址的一鑑價請求，或是根據經由人為輸入所產生且含有該目標建物的總坪數及、車位數及地址的輸入資料，建立與該不動產時價登錄系統200的連接，並將一指示出該地址所屬的一地理區域的資料請求傳送至該不動產時價登錄系統200。在本實施例中，該地理區域可為一行政區域(例如，台北市)或一行政區域中的子區域(特別是當其呈現於地圖時為一網格形)，但不在此限。

然後，在步驟S22中，該資料伺服器1例如可以下載方式蒐集來自該不動產時價登錄系統200且相關於該地理區域在一預 定歷史期間內的所有歷史交易建物的交易資訊，並將該交易資訊傳送至該鑑價伺服器2。在本實施例中，該預定歷史期間例如可為最近一個月、一季或一年，但不以此為限，並且該交易資訊至少包含該預定歷史期間內每一歷史交易建物的交易價格、總坪數及車位數。值得注意的是，在本實施例中，每一歷史交易建物均屬於住房型建物，但排除套房類型的建物。

之後，在步驟S23中，當該鑑價伺服器2接收到來自該資料伺服器1的該交易資訊時，該屬性判斷模組21根據該交易資訊及一對應於該地理區域的豪宅價格門檻，判斷每一歷史交易建物是歸屬於豪宅型或一般住宅型，以獲得相關於所有歷史交易建物的屬性資料。更明確地說，該屬性判斷模組21，對於每一歷史交易建物，藉由判斷其交易價格是否不低於該豪宅價格門檻來決定該歷史交易建物是否歸屬於豪宅型，於是，若判斷出其交易價格不低於該豪宅價格門檻時，則該屬性判斷模組21將該歷史交易建物歸屬於豪宅型，相反地，若判斷出其交易價格低於該豪宅價格門檻時，則該屬性判斷模組21將該歷史交易建物歸屬於一般住宅型。此外，值得注意的是，該豪宅價格門檻相關於對應於一參考行政區域的參考豪宅價格門檻、該地理區域所在的一行政區域的平均交易房價、及該參考行政區域的平均交易房價。更明確地說，在判斷操作之前，該屬性判斷模組21必須先獲得該豪宅價格門檻，且該豪宅價格門檻可由 以下式1獲得：

舉例來說，若該行政區域為新北市，而該參考行政區域例如為台北市(在國內，台北市通常被銀行機構視為具有最高等級之城市)時，在此情況下，通常由政府方所制定的該參考豪宅價格門檻例如為8000萬元，以及通常可根據由政府方所提供的新北市平均交易房價與台北市的平均交易房價而獲得二者之比例如為75%，於是，該豪宅價格門檻為6000萬元(=8000萬元×75%)。由此可知，不同行政區域的豪宅價格門檻可能彼此不同，如此對比於絕對豪宅的判定，更可反映出不同行政區域的相對豪宅的特性。

之後，在步驟S24中，該建模模組22利用適應性網路模糊推論系統(Adaptive Network-based Fuzzy Inference System，ANFIS)演算法並至少以總坪數及車位數作為變數，分析該交易資訊及該屬性資料以獲得一對應於該地理區域且相關於總坪數及車位數的建物估價模型。值得注意的是，由於該ANFIS演算法結合有模糊推論系統技術及類神經網路技術，因此該ANFIS演算法不僅能以模糊If-Then規則對於人類知識與推論過程執行定性描述與分析而且具有自我學習能力與組織力。

最後，在步驟S25中，該估算模組23根據該目標建物的總坪數及車位數，且利用該建模模組22所獲得的該建物估價模 型，獲得該目標建物的推估價值。在本實施例中，該估算模組23將該目標建物的該總坪數及該車位數匯入該建物估價模型後，會產生代表豪宅型的第一權重及第一推論價值，以及代表一般住宅型的第二權重及第二推論價值，然後根據以下式2獲得該目標建物的推估價值：該推估價值=(該第一權重×該第一推論價值)+(該第二權重×該第二推論價值)..式2值得注意的是，此處的該第一權重及該第二權重已經過正規化處理。

至此，該建物鑑價程序執行完畢。該建物鑑價系統100所獲得之該目標建物的推估價值可進一步提供給例如銀行機構作為鑑價時的評估參考。

綜上所述，由於本發明建物鑑價系統100利用了結合有模糊推論技術及類神經網路技術的ANFIS演算法來分析大量的交易資訊及屬性資料，因此僅需將目標建物的總坪數及車位數匯入所獲得的建物估價模型即可快速獲得相對較高精確性的建物鑑價。因此，若銀行機構使用本發明建物鑑價系統100，即使在欠缺嫻熟鑑價人員的情況下亦能獲得較精確的建物鑑價，同時更能有效避免現有技術所遭遇之人為錯誤或不當鑑價的情況。故確實能達成本發明的目的。

惟以上所述者，僅為本發明之實施例而已，當不能以 此限定本發明實施之範圍，凡是依本發明申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。

100:建物鑑價系統

1:資料伺服器

2:鑑價伺服器

21:屬性判斷模組

22:建模模組

23:估算模組

200:不動產實價登錄系統

Claims (4)

1. 一種建物鑑價方法，用於評估一位於一地理區域的目標建物的價值，利用一資料伺服器及一鑑價伺服器來執行，並包含以下步驟：(A)藉由該資料伺服器，蒐集相關於該地理區域在一預定歷史期間內的所有歷史交易建物的交易資訊，其中該交易資訊至少包含該預定歷史期間內的每一歷史交易建物的交易價格、總坪數及車位數；(B)藉由該鑑價伺服器，根據該資料伺服器所蒐集的該交易資訊及一對應於該地理區域的豪宅價格門檻，判斷每一歷史交易建物是歸屬於豪宅型或一般住宅型，以獲得相關於所有歷史交易建物的屬性資料，其中歸屬於豪宅型的任一歷史交易建物的交易價格不低於該豪宅價格門檻，及歸屬於一般住宅型的任一歷史交易建物的交易價格低於該豪宅價格門檻；(C)藉由該鑑價伺服器，利用適應性網路模糊推論系統演算法並至少以總坪數及車位數作為變數，分析該交易資訊及該屬性資料以獲得一對應於該地理區域且相關於總坪數及車位數的建物估價模型；及(D)藉由該鑑價伺服器，根據該目標建物的總坪數及車位數，且利用該建物估價模型，獲得該目標建物的推估價值，其中該鑑價伺服器利用該建物估價模型產生代表豪宅型的第一權重及第一推論價值，以及代表一般住宅型的第二權重及第二推論價值，以使該推估價值=(該第一權重 ×該第一推論價值)+(該第二權重×該第二推論價值)。
2. 如請求項1所述的建物鑑價方法，其中，在步驟(B)中，該豪宅價格門檻是藉由將一對應於一參考行政區域的參考豪宅價格門檻乘以該地理區域所在的一行政區域的平均交易房價與該參考行政區域的平均交易房價之比而獲得。
3. 一種建物鑑價系統，用於評估一位於一地理區域的目標建物的價值，包含：一資料伺服器，組配來蒐集相關於該地理區域在一預定歷史期間內的所有歷史交易建物的交易資訊，該交易資訊至少包含該預定歷史期間內的每一歷史交易建物的交易價格、總坪數及車位數；及一鑑價伺服器，連接該資料伺服器以接收該資料伺服器所蒐集的該交易資訊，並包含一屬性判斷模組，組配來根據該資料伺服器所蒐集的該交易資訊及一對應於該地理區域的豪宅價格門檻，判斷每一歷史交易建物是歸屬於豪宅型或一般住宅型，以獲得相關於所有歷史交易建物的屬性資料，其中歸屬於豪宅型的任一歷史交易建物的交易價格不低於該豪宅價格門檻，及歸屬於一般住宅型的任一歷史交易建物的交易價格低於該豪宅價格門檻，一建模模組，組配來利用適應性網路模糊推論系統演算法並至少以總坪數及車位數作為變數，分析該交易資訊及該屬性資料以獲得一對應於該地理區域且相關於總坪數及車位數的建物估價模型，及 一估算模組，組配來根據該目標建物的總坪數及車位數，且利用該建物估價模型，估算出該目標建物的推估價值；其中，該估算模組利用該建物估價模型產生代表豪宅型的第一權重及第一推論價值，以及代表一般住宅型的第二權重及第二推論價值，以使該推估價值=(該第一權重×該第一推論價值)+(該第二權重×該第二推論價值)。
4. 如請求項3所述的建物鑑價系統，其中，該豪宅價格門檻是藉由將一對應於一參考行政區域的預定參考豪宅價格門檻乘以該地理區域所在的一行政區域的平均交易房價與該參考行政區域的平均交易房價之比而獲得。

Images