TWI763990B - 基於城鄉屬性的建物鑑價方法及系統 - Google Patents

Abstract

一種基於城鄉屬性的建物鑑價方法及系統中，鑑價伺服器根據資料伺服器所蒐集之目標建物所在地理區域中所有歷史交易建物的交易資訊，對於該地理區域的每一網格區域，計算出為公寓及華廈類型之歷史交易建物的交易數量及每坪平均價格以獲得交易數量分佈資料及每坪均價分佈資料，且利用適應性網路模糊推論系統演算法並以交易數量及每坪均價作為變數，分析交易資訊、交易數量分佈資料及每坪均價分佈資料以獲得相關於城鄉屬性的建物估價模型，並根據該目標建物的總坪數且利用該建物估價模型，獲得該目標建物的推估價值。

Description

基於城鄉屬性的建物鑑價方法及系統

本發明是有關於建物鑑價，特別是指一種基於城鄉屬性的建物鑑價方法及系統。

對於現有以例如住宅使用之建物作為不動產擔保品的貸款評估，銀行機構必須視建物所在的地理行政區域被規劃的等級而決定建物鑑價及放貸成數。舉例來說，交通相對便捷且商業活動相對頻繁的台北市(直轄市)可被規劃為第一等級(最高等級)，而幅員較廣的新北市可被規劃為第二等級，然而，在整個新北市的地理範圍內亦有所謂的蛋白區及蛋黃區之分。也就是說，實際上，即使位於同一地理行政區域內的所有建物也可能因交通便利性及/或商業活動頻繁度(可被視為城鄉屬性)的不同而導致不同的建物價值。

由於現有根據地理行政區之等級的建物鑑價方式恐無法貼近實際上建物價值，因而間接影響放貸成數的精確性，最後恐導致銀行機構在獲利上的損失或增加放款的風險性。因此，現有根據行政區等級的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，即在提供一種基於城鄉屬性的建物鑑價方法，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基於城鄉屬性的建物鑑價方法用於評估位於一劃分成多個網格區域之地理區域的一目標建物的價值，利用一資料伺服器及一鑑價伺服器來執行。該建物鑑價方法並包含以下步驟：(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地理位置、建物類型、交易價格、總坪數及交易時間，且該建物類型為公寓或華廈；(B)藉由該鑑價伺服器，根據該交易資訊，對於該地理區域的每一網格區域，計算出位於該網格區域內且建物類型為公寓之歷史交易建物的第一交易數量及第一每坪平均價格且計算出位於該網格區域內且建物類型為華廈之歷史交易建物的第二交易數量及第二每坪平均價格，以獲得對應於該地理區域且相關於公寓及華廈的交易數量分佈資料及每坪平均價格分佈資料；(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交易數量及每坪平均價格作為變數，分析該交易資訊、該交易數量分佈資料及該每坪平均價格分佈資料以獲得一對應於該地理區域且相關於城鄉屬性的建物估價模型；及(D)藉由該鑑價伺服器，根據該目 標建物的總坪數，以及對應於該等網格區域其中一個包含該目標建物的地理位置的目標網格區域的該第一交易數量、該第二交易數量、該第一每坪平均價格及該第二每坪平均價格，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，即在提供一種基於城鄉屬性的建物鑑價系統，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基於城鄉屬性的建物鑑價系統用於評估一位於一劃分成多個網格區域之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地理位置、建物類型、交易價格、總坪數及交易時間，且該建物類型為公寓或華廈。

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。該資料處理模組組配來根據該交易資訊，對於該地理區域的每一網格區域，計算出位於該網格區域內且建物類型為公寓之歷史交易建物的第一交易數量及第一每坪平均價格且計算出位於該網格區域內且建物類型為華廈之歷史交易建物的第二交易數量及第二每坪平均價格，以獲得對應於該地理區域且相 關於公寓及華廈的交易數量分佈資料及每坪平均價格分佈資料。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交易數量及每坪平均價格作為變數，分析該交易資訊、該交易數量分佈資料及該每坪平均價格分佈資料以獲得一對應於該地理區域且相關於城鄉屬性的建物估價模型。該估算模組組配來根據該目標建物的總坪數，以及對應於該等網格區域其中一個包含該目標建物的地理位置的目標網格區域的該第一交易數量、該第二交易數量、該第一每坪平均價格及該第二每坪平均價格，且利用該建物估價模型，獲得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經由網格化處理後的大量的交易資訊、交易數量分佈資料及每坪平均價格分佈資料，因此所獲得的建物估價模型能提供目標建物在城鄉屬性上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獲利損失或放款風險性增加的情況。

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，本發明實施例的基於城鄉屬性的建物鑑價系統100是用來評估建物價值。值得注意的是，本實施例所涉及之建物例如作為住宅使用之建物，但不在此限。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實價登錄系統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，並包含一資料處理模組21、一建模模組22及一估算模組23。在本實施例中，該資料處理模組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地理位置(或地址)、建物類型及總坪數的一鑑價請求，或是根據經由人為輸入所產生且含有該目標建物的地理位置、建物類型及總坪數的輸入資料，建立與該不動產實價登錄系統200的連接，並將一指示出該地理位置所屬的一地理區域的資料請求傳送至該不動產實價登錄系統200。在本實施例中，該地理區域被劃分成多個網格區域，其中一個含有該地理位置的網格區域被視為目標網格區域。每一網格區域的大小例如可視實際資料量的多寡而決定。

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實價登錄系統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季或最近一年，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的每一歷史交易建物的屋齡、配置情況(如房間數、衛浴數、車位數等)、地理位置(或地址)、建物類型、交易價格、總坪數及交易時間。具體而言，該建物類型例如為公寓或華廈，但不以 此例為限。

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，該資料處理模組21根據該交易資訊，對於該地理區域的每一網格區域，計算出位於該網格區域內且建物類型為公寓之歷史交易建物的第一交易數量及第一每坪平均價格(即，第一每坪均價)且計算出位於該網格區域內且建物類型為華廈之歷史交易建物的第二交易數量及第二每坪平均價格(即，第二每坪均價)，以獲得對應於該地理區域且相關於公寓及華廈的交易數量分佈資料及每坪平均價格分佈資料。舉例來說，若在該地理區域具有M×N個網格區的情況下，該資料處理模組21所獲得的該交易數量分佈資料例如可包含一相關於公寓的第一數量分佈表、及一相關於華夏的第二數量分佈表，其中該第一數量分佈表具有M×N個在位置上分別對應於該等M×N個網格區域的第一數量，且該第二數量分佈表具有M×N個在位置上分別對應於該等M×N個網格區域的第二數量；並且該資料處理模組21所獲得的該每坪平均價格分佈資料例如可包含一相關於公寓的第一均價分佈表、及一相關於華夏的第二均價分佈表，其中該第一均價分佈表具有M×N個在位置上分別對應於該等M×N個網格區域的第一每平均價，且該第二均價分佈表具有M×N個在位置上分別對應於該等M×N個網格區域的第二每平均價。

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)演算法並至少以交易數量及每坪平均價格作為變數，分析該交易資訊、該交易數量分佈資料及該每坪平均價格分佈資料以獲得一對應於該地理區域且相關於城鄉屬性的建物估價模型(例如，如技術文件(“ANFIS Adaptive-Network-based Fuzzy Inference System”，Article in IEEE Transaction on Systems Man and Cybernetics,June 1993)的Figure 4(b)所示的模型)。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。具體而言，在本實施例中，該適應性網路模糊推論系統演算法對於交易數量之變數所建立的兩個推論規則分別為歸屬於城市屬性之建物具有較大的交易數量(意指較容易交易或流通率較高)，以及歸屬於鄉鎮屬性之建物具有較小的交易數量(意指較不易交易或流通率較低)，且該適應性網路模糊推論系統演算法對於每坪平均價格之變數所建立的兩個推論規則分別為歸屬於城市屬性之建物具有較高的每坪平均價格，以及歸屬於鄉鎮屬性之建物具有較低的每坪平均價格。

最後，在步驟S25中，該估算模組23根據該目標建物的 總坪數，以及該交易資料所含且對應於該目標網格區域的該第一交易數量與該第二交易數量、該第一每坪平均價格及該第二每坪平均價格，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。具體而言，在本實施例中，該估算模組23將該第一數量、該第二數量、該第一每坪平均價格及該第二每坪平均價格匯入該建物估價模型，並經過上述推論演算後，獲得該目標建物歸屬於鄉鎮屬性的第一權重和第一推論平均價格，以及該目標建物歸屬於城市屬性的第二權重和第二推論平均價格。然後，該估價模組23根據該總坪數、該第一權重、該第一推論平均價格、第二權重及該第二推論平均價格，獲得該目標建物的推估價值，並表示成下式：該推估價值=(該第一權重×該第一推論平均價格×該目標建物的總坪數)+(該第二權重×該第二推論平均價格×該目標建物的總坪數)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當該目標建物作為不動產擔保品時的鑑價評估及放貸成數的參考。

綜上所述，由於本發明基於城鄉屬性的建物鑑價系統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 法來分析經由網格化處理後的大量的交易資訊及、交易數量分佈資料及每坪平均價格分佈資料，因此所獲得的建物估價模型能提供目標建物在城鄉屬性上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獲利損失或放款風險性增加的情況。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. 一種基於城鄉屬性的建物鑑價方法，用於評估位於一劃分成多個網格區域之地理區域的一目標建物的價值，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地理位置、建物類型、交易價格、總坪數及交易時間，且該建物類型為公寓或華廈；(B)藉由該鑑價伺服器，根據該交易資訊，對於該地理區域的每一網格區域，計算出位於該網格區域內且建物類型為公寓之歷史交易建物的第一交易數量及第一每坪平均價格且計算出位於該網格區域內且建物類型為華廈之歷史交易建物的第二交易數量及第二每坪平均價格，以獲得對應於該地理區域且相關於公寓及華廈的交易數量分佈資料及每坪平均價格分佈資料；(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交易數量及每坪平均價格作為變數，分析該交易資訊、該交易數量分佈資料及該每坪平均價格分佈資料以獲得一對應於該地理區域且相關於城鄉屬性的建物估價模型；及(D)藉由該鑑價伺服器，根據該目標建物的總坪數，以及對應於該等網格區域其中一個包含該目標建物的地理位置的目標網格區域的該第一交易數量與該第二交易 數量、該第一每坪平均價格及該第二每坪平均價格，且利用該建物估價模型，獲得該目標建物的推估價值。
2. 如請求項1所述的基於城鄉屬性的建物鑑價方法，其中，在步驟(D)中：該鑑價伺服器利用該建物估價模型產生該目標建物歸屬於鄉鎮屬性的第一權重及第一推論平均價格，以及該目標建物歸屬於城市屬性的第二權重及第二推論平均價格，以使該推估價值=(該第一權重×該第一推論平均價格×該目標建物的總坪數)+(該第二權重×該第二推論平均價格×該目標建物的總坪數)。
3. 一種基於城鄉屬性的建物鑑價系統，用於評估一位於一劃分成多個網格區域之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地理位置、建物類型、交易價格、總坪數及交易時間，且該建物類型為公寓或華廈；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，並包含一資料處理模組，組配來根據該交易資訊，對於該地理區域的每一網格區域，計算出位於該網格區域內且建物類型為公寓之歷史交易建物的第一交易數量及第一每坪平均價格且計算出位於該網格區域內且建物類型為華廈之歷史交易建物的第二交易數量及第二每坪平均價 格，以獲得對應於該地理區域且相關於公寓及華廈的交易數量分佈資料及每坪平均價格分佈資料，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交易數量及每坪平均價格作為變數，分析該交易資訊、該交易數量分佈資料及該每坪平均價格分佈資料以獲得一對應於該地理區域且相關於城鄉屬性的建物估價模型，及一估算模組，組配來根據該目標建物的總坪數，以及對應於該等網格區域其中一個包含該目標建物的地理位置的目標網格區域的該第一交易數量、該第二交易數量、該第一每坪平均價格及該第二每坪平均價格，且利用該建物估價模型，獲得該目標建物的推估價值。
4. 如請求項3所述的基於城鄉屬性的建物鑑價系統，其中，該估算模組利用該建物估價模型產生該目標建物歸屬於鄉鎮屬性的第一權重及第一推論平均價格，以及該目標建物歸屬於城市屬性的第二權重及第二推論平均價格，以使該推估價值=(該第一權重×該第一推論平均價格×該目標建物的總坪數)+(該第二權重×該第二推論平均價格×該目標建物的總坪數)。

Images