How Local Should an AVM Be? Spatial Resolution, Market Regionalization in Automated Valuation Models
تعيد هذه الورقة صياغة محلية نماذج التقييم الآلي (AVMs) كمسألة تجميع جزئي تتضمن الدقة المكانية، والتقسيم الإقليمي للسوق، والمرتكزات الخارجية، مبرهنةً من خلال تحليل شامل لصفقات العقارات التجارية الكورية أنه بينما يوجد دقة مكانية مثلى وأن التقسيم الإقليمي يحسن الدقة، فإن هذه الآليات ليست قابلة للاستبدال بشكل كامل، ويمكن للمرتكزات الخارجية أن تغير اختيار النموذج وأدائه بشكل كبير.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تخمين سعر مبنى بمجرد النظر إلى خريطة. يمكنك القول إنه يقع في مدينة معينة، أو ربما في حي معين داخل تلك المدينة، أو ربما حتى في كتلة بنائية محددة. لعقود من الزمن، عمل الخبراء في مجال التقييم الآلي للعقارات بناءً على افتراض بسيط: وهو أنه كلما كنت أكثر تحديداً بشأن الموقع، كان تخمينك أفضل. إذا استطاع الكمبيوتر رؤية عنوان شارع، فمن المفترض أن يكون أفضل مما لو رأى فقط الرمز البريدي. يشير هذا المنطق إلى أن التفاصيل المكانية هي شيء جيد يجب الحصول على أكبر قدر ممكن منه. ولكن ماذا لو كان كونك محدداً للغاية يربك الكمبيوتر بالفعل؟ ماذا لو كانت الطريقة الأكثر دقة لتسعير مبنى ليست عبر التكبير لأبعد حد تسمح به الخريطة، بل عبر إيجاد "نقطة مثالية" حيث يكون الموقع مفصلاً بما يكفي ليكون ذا أهمية، ولكنه واسع بما يكفي ليكون ذا بيانات موثوقة؟
هذا هو اللغز المركزي الذي عالجته دراسة جديدة للعقارات التجارية في كوريا الجنوبية. لم يكن الباحثون يسألون فقط عن كيفية صنع تقدير أفضل للسعر؛ بل كانوا يتساءلون عن مقدار المعلومات "المحلية" التي ينبغي السماح لنموذج الكمبيوتر باستخدامها فعلياً. لقد ركزوا على ثلاث طرق مختلفة لإدخال المحلية في نظام التقييم. الأولى هي حجم شبكة الخريطة المستخدمة لوصف الموقع. والثانية هي ما إذا كان ينبغي للنموذج أن يعامل الدولة بأكملها كسوق واحدة كبيرة أو تقسيمها إلى نماذج منفصلة لمدن مختلفة. والثالثة هي ما إذا كان بإمكان النموذج استخدام تلميح خارجي، مثل سعر الأرض المقدر من قبل الحكومة من العام السابق، لمساعدته على فهم القيمة المحلية دون الحاجة إلى تخمينها من الصفر. ومن خلال اختبار هذه العوامل الثلاثة مقابل آلاف المبيعات العقارية الحقيقية، تكشف الدراسة أن هناك حداً لكيفية كون النموذج محلياً، وأن تجاوز ذلك الحد يجعل التنبؤات أسوأ، وليس أفضل.
قام الباحثون بتحليل أكثر من 22,000 معاملة للمباني التجارية والمكتبية عبر سبع مدن رئيسية في كوريا الجنوبية بين عامي 2018 و2025. قاموا ببناء نموذج كمبيوتر للتنبؤ بالأسعار ثم اختبروه تحت مئات الظروف المختلفة. جربوا تمثيل المواقع على شبكات تتراوح من عدم وجود شبكة محددة على الإطلاق، وصولاً إلى شبكة 5 كيلومترات، و2 كيلومتر، و1 كيلومتر، وأخيراً شبكة دقيقة جداً بمقدار 500 متر. كما اختبروا ما إذا كان ينبغي للنموذج أن يكون نظاماً واحداً موحداً لجميع المدن السبع، أو إذا كان ينبغي تقسيمه إلى أنظمة منفصلة لكل مدينة، أو حتى مجموعات أصغر من المدن. وأخيراً، اختبروا ما إذا كان إعطاء النموذج "تلميحاً" في شكل سعر الأرض الرسمي للعام الماضي سيساعد في تحسين أدائه.
أظهرت النتائج نمطاً واضحاً ومفاجئاً. عندما سُمح للنموذج باستخدام أي معلومات موقع فرعية، كان تنبؤاته خاطئة بمتوسط حوالي 27 بالمائة. وعندما قدم الباحثون شبكة بمساحة 5 كيلومترات، انخفض الخطأ بشكل كبير إلى حوالي 22.6 بالمائة، وكانت هذه هي النتيجة الأفضل. ومع ذلك، كلما جعلوا الشبكة أكثر دقة، بالانتقال إلى 2 كيلومتر، ثم 1 كيلومتر، وأخيراً 500 متر، ساءت الدقة مرة أخرى. عند المقياس الأدق البالغ 500 متر، ارتفع الخطأ مرة أخرى إلى ما يقرب من 27.4 بالمائة، وهو ما كان في الواقع أسوأ من عدم وجود شبكة على الإطلاق. أثبتت الدراسة أن هناك منطقة وسطى مثالية؛ فالكمبيوتر يحتاج إلى تفاصيل كافية للتمييز بين المناطق المختلفة، ولكن إذا كانت الشبكة دقيقة للغاية، فإن المربعات المحددة ستصبح خاوية جداً من البيانات. يحاول النموذج تخمين سعر مربع صغير وخالٍ بناءً على أمثلة قليلة جداً، فيرتكب الأخطاء.
وجد الباحثون أيضاً أن تقسيم السوق إلى نماذج منفصلة لمدن مختلفة ساعد، ولكن إلى حد معين فقط. إن تقسيم النموذج الوطني الواحد إلى سبعة نماذج خاصة بكل مدينة حسن الدقة، لكن تقسيمها أكثر إلى مجموعات أصغر لم يساعد كثيراً. جاءت أكبر المكاسب ببساء الانتقال بعيداً عن نموذج واحد "واحد يناسب الجميع". ومع ذلك، لم يحل هذا التقسيم مشكلة الشبكة الدقيقة للغاية؛ فحتى مع وجود سبعة نماذج منفصلة للمدن، ظل أداء شبكة الـ 500 متر سيئاً. وهذا يعني أن امتلاك بيانات موقع أكثر تحديداً لا يمكن إصلاحه بمجرد امتلاك تعريفات سوق أكثر تحديداً؛ فالمشكلتان مرتبطتان ولكن لا يمكن استبدالهما.
كانت الأداة الأكثر قوة التي اختبرها الباحثون هي "المرساة الخارجية". كانت هذه قطعة من المعلومات المقدمة من خارج بيانات التعلم الخاصة بالنموذج نفسه: وهي سعر الأرض الرسمي الذي قدرته الحكومة للعام السابق. عندما تم تزويد النموذج بهذا التلميح، تغيرت المشكلة برمتها. فالتراجع الحاد في الدقة الذي حدث عندما أصبحت الشبكة دقيقة للغاية قد اختفى. ومع توفر تلميح سعر الحكومة، كان أداء النموذج متساوياً تقريباً سواء كانت الشبكة 5 كيلومترات، أو 2 كيلومتر، أو 1 كيلومتر. كانت المعلومات الخارجية قوية جداً لدرجة أنها ألغت الحاجة إلى أن يخمن النموذج مستوى السعر المحلي من الصفر. كما عنى ذلك أن النموذج احتاج إلى تقسيمات مدن أقل ليعمل بشكل جيد؛ فبدلاً من الحاجة إلى خمسة أو سبعة نماذج مختلفة، احتاج أفضل إعداد مع تلميح السعر الخارجي إلى ثلاثة نماذج فقط.
تخلص الدراسة إلى أن السؤال المطروح لبناء أنظمة التقييم هذه ليس ببساطة "إلى أي مدى يمكننا أن نكون محليين؟" بل "ما مقدار المحلية التي يمكن لبياناتنا دعمها؟". وجد الباحثون أنه بالنسبة للمباني التجارية في هذه المدن، فإن شبكة الـ 5 كيلومترات هي المقياس الأكثر موثوقية لتمثيل الموقع عند عدم استخدام تلميحات خارجية. والذهاب إلى ما هو أدق من ذلك يؤدي إلى إدخال الكثير من الضجيج. وإذا توفرت إشارة سعر خارجية موثوقة، فإن اختيار حجم الشبكة يصبح أقل أهمية، ويمكن للنموذج أن يكون أبسط. تشير النتائج إلى أنه في المجالات التي تكون فيها البيانات شحيحة، مثل العقارات التجارية، فإن محاولة أن تكون دقيقاً للغاية بشأن الموقع يمكن أن تضر بالأداء فعلياً. النهج الأفضل هو إيجاد مستوى التفصيل الذي يمكن لبياناتك دعمه فعلياً، بدلاً من افتراض أن المزيد من التفاصيل هو دائماً الأفضل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.