How Local Should an AVM Be? Spatial Resolution, Market Regionalization in Automated Valuation Models
Diese Arbeit rahmt die Lokalität von automatisierten Bewertungsmodellen (AVMs) als ein Problem des Partial-Pooling unter Einbeziehung von räumlicher Auflösung, Marktregionalisierung und externen Ankern um und zeigt durch eine umfassende Analyse koreanischer Gewerbeimmobilientransaktionen auf, dass zwar eine optimale räumliche Auflösung existiert und Regionalisierung die Genauigkeit verbessert, diese Mechanismen jedoch nur teilweise austauschbar sind und externe Anker die Modellauswahl sowie die Leistung signifikant verändern können.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, den Preis eines Gebäudes allein durch den Blick auf eine Karte zu erraten. Sie könnten sagen, es befinde sich in einer bestimmten Stadt, oder vielleicht in einem bestimmten Stadtviertel innerhalb dieser Stadt, oder sogar auf dem exakten Block. Jahrzehntelang sind Experten für automatisierte Immobilienbewertung von einer einfachen Annahme ausgegangen: Je spezifischer man über einen Standort ist, desto besser wird die Schätzung. Wenn ein Computer eine genaue Adresse sieht, sollte er besser sein, als wenn er nur eine Postleitzahl sieht. Diese Logik legt nahe, dass räumliche Detailtiefe etwas ist, von dem man so viel wie möglich haben sollte. Aber was wäre, wenn zu viel Spezifität den Computer tatsächlich verwirrt? Was wäre, wenn der genaueste Weg, ein Gebäude einzupreisen, nicht darin besteht, so weit wie möglich in die Karte hineinzuzoomen, sondern einen „Sweet Spot“ zu finden, an dem der Standort detailliert genug ist, um relevant zu sein, aber breit genug, um genügend Daten zu besitzen, um zuverlässig zu sein?
Dies ist das zentrale Rätsel, das eine neue Studie über Gewerbeimmobilien in Südkorea untersucht. Die Forscher fragten nicht nur, wie man eine bessere Preisschätzung erstellt; sie fragten, wie viel „lokale“ Information ein Computermodell tatsächlich nutzen darf. Sie konzentrierten sich auf drei verschiedene Wege, um Lokalität in ein Bewertungssystem einzuführen. Das erste ist die Größe des Kartenrasters, das verwendet wird, um einen Standort zu beschreiben. Das zweite ist die Frage, ob das Modell den gesamten Country als einen großen Markt behandeln oder in separate Modelle für verschiedene Städte aufteilen sollte. Das Dritte ist, ob das Modell einen externen Hinweis nutzen kann, wie etwa einen staatlich festgesetzten Grundstückspreis aus dem Vorjahr, um ihm zu helfen, den lokalen Wert zu verstehen, ohne ihn von Grund auf neu erraten zu müssen. Durch den Test dieser drei Faktoren gegen tausende reale Immobilienverkäufe zeigt die Studie, dass es eine Grenze gibt, wie lokal ein Modell sein darf, und dass das Überschreiten dieser Grenze die Vorhersagen verschlechtert, statt sie zu verbessern.
Die Forscher analysierten über 22.000 Transaktionen von Gewerbe- und Bürogebäuden in sieben großen südkoreanischen Städten zwischen 2018 und 2025. Sie bauten ein Computermodell, um Preise vorherzusagen, und testeten es unter hunderten verschiedenen Bedingungen. Sie versuchten, Standorte auf Gittern darzustellen, die von gar keinem spezifischen Gitter bis hin zu 5 Kilometern, 2 Kilometern, 1 Kilometer und schließlich einem sehr feinen 500-Meter-Raster reichten. Sie testeten auch, ob das Modell ein einziges System für alle sieben Städte sein sollte oder ob es in separate Systeme für jede Stadt oder sogar kleinere Gruppen von Städten aufgeteilt werden sollte. Schließlich testeten sie, ob es dem Modell half, einen „Hinweis“ in Form des offiziellen Grundstückspreises des Vorjahres zu erhalten.
Die Ergebnisse zeigten ein klares und überraschendes Muster. Wenn das Modell überhaupt keine unterstädtischen Standortinformationen verwenden durfte, lag seine Vorhersage im Median um etwa 27 Prozent daneben. Als die Forscher ein 5-Kilometer-Raster einführten, sank der Fehler signifikant auf etwa 22,6 Prozent. Dies war das beste Ergebnis. Doch als sie das Raster feiner machten – indem sie zu 2 Kilometern, dann zu 1 Kilometer und schließlich zu 500 Metern übergingen – verschlechterte sich die Genauigkeit wieder. Auf der feinsten 500-Meter-Skala stieg der Fehler wieder auf fast 27,4 Prozent an, was tatsächlich schlechter war als bei gar keinem Raster. Die Studie bewies, dass es einen optimalen Mittelweg gibt. Der Computer braucht genug Details, um zwischen verschiedenen Gebieten zu unterscheiden, aber wenn das Raster zu fein ist, werden die spezifischen Quadrate zu leer an Daten. Das Modell versucht dann, den Preis für ein winziges, leeres Quadrat basierend auf sehr wenigen Beispielen zu erraten, und macht dabei Fehler.
Die Forscher fanden auch heraus, dass die Aufteilung des Marktes in separate Modelle für verschiedene Städte half, aber nur bis zu einem gewissen Punkt. Die Aufteilung des einzelnen nationalen Modells in sieben stadtspezifische Modelle verbesserte die Genauigkeit, aber eine weitere Aufteilung in kleinere Gruppen half nicht viel mehr. Die größten Gewinne wurden dadurch erzielt, dass man sich schlicht von einem einzigen „Einheitsmodell“ entfernte. Diese Aufteilung löste jedoch das Problem des zu feinen Rasters nicht. Selbst mit sieben separaten Stadtmodellen schnitt das 500-Meter-Raster weiterhin schlecht ab. Dies bedeutet, dass die Verfügbarkeit spezifischerer Standortdaten nicht allein durch eine spezifischere Marktaufteilung behoben werden kann; die beiden Probleme sind zwar verwandt, aber nicht austauschbar.
Das leistungsstärkste Werkzeug, das die Forscher testeten, war der „externe Anker“. Dies war eine Information, die von außerhalb der eigenen Lerndaten des Modells geliefert wurde: der vom Staat für das Vorjahr festgelegte offizielle Grundstückspreis. Als das Modell diesen Hinweis erhielt, änderte sich das gesamte Problem. Der starke Abfall der Genauigkeit, der auftrat, wenn das Raster zu fein wurde, verschwand. Mit dem Hinweis auf den Regierungspreis funktionierte das Modell fast gleichermaßen gut, egal ob das Raster 5 Kilometer, 2 Kilometer oder 1 Kilometer betrug. Die externe Information war so stark, dass sie die Notwendigkeit des Modells aufhob, das lokale Preisniveau von Grund auf neu zu erraten. Es bedeutete auch, dass das Modell weniger separate Stadtteilungen benötigte, um gut zu funktionieren. Anstatt fünf oder sieben verschiedene Modelle zu benötigen, reichte das beste Setup mit dem externen Hinweis nur drei Modelle.
Die Studie kommt zu dem Schluss, dass die Frage beim Aufbau solcher Bewertungssysteme nicht einfach lautet: „Wie lokal können wir werden?“, sondern vielmehr: „Wie viel Lokalität kann unser Datensatz unterstützen?“ Die Forscher fanden heraus, dass für Gewerbeimmobilien in diesen Städten ein 5-Kilometer-Raster die zuverlässigste Skala zur Darstellung des Standorts ist, wenn keine externen Hinweise verwendet werden. Geht man feiner als dies, führt das zu zu viel Rauschen. Wenn ein zuverlässiges externes Preissignal verfügbar ist, spielt die Wahl der Rastergröße eine viel geringere Rolle und das Modell kann einfacher gestaltet werden. Die Ergebnisse legen nahe, dass in Bereichen mit spärlichen Daten, wie dem Gewerbeimmobiliensektor, der Versuch, zu präzise über den Standort zu sein, die Leistung tatsächlich beeinträchtigen kann. Der beste Ansatz besteht darin, die Detailtiefe zu finden, die die verfügbaren Daten tatsächlich unterstützen können, anstatt davon auszugehen, dass mehr Details immer besser sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.