Ny ejendomsvurderingsteknik giver mere præcise forudsigelser ved hjælp af maskinlæring og big data

Forskere ved University of South Australia har udviklet en maskinlæringsteknik, der gør ejendomsværdiansættelsen mere gennemsigtig, pålidelig og praktisk, med evnen til præcist at modellere virkningen af ​​byudviklingsbeslutninger på ejendomspriserne.

Teknikken blev skabt og valideret ved hjælp af over 30 års historisk salgsinformation i metro Adelaide og bruger specialudviklede maskinlæringsalgoritmer til at behandle enorme mængder data om boliger, bystruktur og faciliteter, hvilket gør det muligt at kvantificere virkningerne af byplanlægningspolitikker på boligværdi.

Ledende forsker, UniSA geospatial dataanalytiker og byplanlægningsekspert Dr. Ali Soltani, siger, at teknikken har konsekvenser for ejendoms-, byplanlægnings- og infrastruktursektoren.

"Vores modelleringsteknik og resultater kan hjælpe ejendomsinvestorer, bygherrer, ejendomsejere, husvurderinger og andre interessenter med at få et mere realistisk syn på værdien af ​​ejendom og de faktorer, der påvirker det," siger Dr. Soltani.

"Denne forskning har implikationer for politiske beslutningstagere ved at give indsigt i de potentielle virkninger af byplanlægning - såsom fornyelse af udfyldninger, masterplanlagte lokalsamfund, gentrificering og befolkningsfordrivelse - og politikker til levering af infrastruktur på boligmarkedet og den efterfølgende lokale og regionale økonomi.

"Ved at fange den komplicerede indflydelse af infrastrukturelementer såsom vej- og offentlige transportnetværk, kommercielle centre og naturlige landskaber på boligværdien, er vores model særlig værdifuld til at forbedre nøjagtigheden af ​​nuværende forudsigelser om jordværdi og sænke risiciene forbundet med traditionel ejendomsvurdering metoder, som i høj grad er afhængige af menneskelig erfaring og begrænsede data."

Dr. Soltani siger, at modellen – udviklet i samarbejde med professor Chris Pettit fra UNSW's City Futures Research Center – også kan udvides til at omfatte andre økonomiske funktioner på både makro- og mikroniveau, såsom ændringer i renter, beskæftigelsesfrekvenser og indflydelse fra COVID-19 ved at udnytte fordelene ved big data-teknologier.

"Denne model har potentialet til at blive brugt som en beslutningsstøtteplatform for en række forskellige interessenter, herunder boligkøbere og -sælgere, banker og finansielle agenter, investorer, regeringen og forsikrings- eller låneagenter," siger Dr. Soltani.

"Vores teknik gør det nemmere for interessenter og den brede offentlighed at anvende resultaterne af sofistikerede modeller på historiske eller realtidsdata fra flere kilder, som tidligere har været næsten sort-boks- og ekspertorienterede."

Et resumé af denne forskning er for nylig blevet offentliggjort i tidsskriftet Cities . + Udforsk yderligere

Længere pendling påvirker leveomkostningerne i store byer mere end zoneinddelingsrestriktioner